Tesis Flujo Multifásico

DETERMINACIN DEL PATRN DE FLUJO MULTIFSICO EN TUBERAS DE
RECOLECCIN DE PETRLEO EMULSIONADO, A PARTIR DE LOS DATOS

HISTRICOS DE PRODUCCIN APOYADO EN UNA APLICACIN CON REDES
NEURONALES ARTIFICIALES
JORGE EDUARDO FLREZ SNCHEZ

FREDDY ALBERTO PORRAS MEJA
UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERAS FSICO MECNICAS
ESCUELA DE INGENIERA DE SISTEMAS E INFORMTICA
BUCARAMANGA
2007
DETERMINACIN DEL PATRN DE FLUJO MULTIFSICO EN TUBERAS DE

RECOLECCIN DE PETRLEO EMULSIONADO, A PARTIR DE LOS DATOS
NEURONALES ARTIFICIALES
JORGE EDUARDO FLREZ SNCHEZ

FREDDY ALBERTO PORRAS MEJA
Trabajo de grado presentado para optar el ttulo de

Ingeniero de Sistemas.
Director:
ING. JUAN CARLOS REYES FIGUEROA
Profesor Escuela de Ingeniera de Sistemas, UIS
Codirector:
M.E. FERNANDO RUIZ DAZ
Profesor Escuela de Ingeniera de Sistemas, UIS
UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERAS FSICO MECNICAS
ESCUELA DE INGENIERA DE SISTEMAS E INFORMTICA
BUCARAMANGA
2007
A Dios, a Viviana y Jorge, mis padres

A mi prima Carol Daniela
A mi ta Adriana.
JORGE EDUARDO
A Dios, a mis padres, Carmen y Tito,

a mis hermanas Carmen y Ayde,
a mi sobrino Santiago.
FREDDY ALBERTO
AGRADECIMIENTOS
Los autores expresan sus agradecimientos a:

ING. JUAN CARLOS REYES FIGUEROA. UIS. Director del proyecto. Por su valioso
apoyo, orientacin y por su dedicacin a este proyecto.
M.E. FERNANDO RUIZ DAZ. UIS. Codirector. Por la confianza depositada en
nosotros.
ING. JAIRO ARRIETA URZOLA. UIS. Ingeniero de petrleos. Por su continuo apoyo,
por la idea de este trabajo de grado, por su entusiasmo y paciencia.
A NUESTRAS FAMILIAS, por su paciencia y apoyo incondicional.
TABLA DE CONTENIDO
PG.
INTRODUCCIN
21
OBJETIVOS
22
OBJETIVO GENERAL
22
OBJETIVOS ESPECFICOS
22
DEFINICIN DEL PROBLEMA
23
JUSTIFICACIN
24
1.
25
REDES NEURONALES ARTIFICIALES
1.1.
GENERALIDADES
25
1.2.
TIPOS DE RED
28
1.2.1.
Perceptrn Multicapa Con Algoritmo Backpropagation (PMC)
29
1.2.2.
Redes De Funcin De Base Radial
31
1.3.
APLICACIONES
1.3.1.
2.
Aplicaciones En La Industria Del Petrleo
FLUJO MULTIFSICO
34
35
39
2.1.
FLUJO MULTIFSICO
39
2.2.
PATRONES DE FLUJO MULTIFSICO
39
2.2.1.
2.3.
Patrones De Flujo Multifsico En Tubera Horizontal
39
MAPAS DE REGMENES DE FLUJO PARA TUBERAS HORIZONTALES 42
2.3.1.
Correlacin De Baker
42
2.3.2.
Correlacin De Govier & Omer:
43
2.3.3.
Correlacin De Mandhane
44
2.3.4.
Correlacin De Taitel & Dukler
45
2.3.5.
2.4.
Correlacin De Beggs & Brill
HOLDUP O COLGAMIENTO
45
46
2.4.1.
Velocidades Superficiales
46
2.4.2.
Velocidad De La Mezcla
47
2.4.3.
Holdup Del Lquido Sin Deslizamiento.
47
2.4.4.
Holdup Del Lquido
47
2.4.5.
Velocidades Reales
48
2.4.6.
Velocidad De Deslizamiento
48
2.4.7.
48
2.4.8.
Correlacin De Lockhart & Martinelli Y Sus Modificaciones
49
2.4.9.
Correlacin De Hughark & Pressburg
50
2.5.
GRADIENTES DE PRESIN
51
2.5.1.
Correlacin De Lockhart & Martinelli
51
2.5.2.
Correlacin De Dukler, Wicks & Cleveland
53
2.5.3.
Mtodo De Beggs & Brill
54
3.
NEURAL ANALYZER (NEURALYZER V1.0)
58
3.1.
ORIGEN DE LA IDEA
58
3.2.
ANLISIS
59
3.3.
DISEO
59
3.4.
DESARROLLO
60
3.4.1.
4.
Diagrama De Casos De Uso
METODOLOGA
4.1.
PLANTEAMIENTO DE LA METODOLOGA
60
66
66
4.1.1.
Adquisicin De Los Datos, Proceso De Normalizacin
68
4.1.2.
Definir El Nmero Y El Rango De Entradas/Salidas
69
4.1.3.
Prueba De Las Diferentes Arquitecturas
70
4.1.4.
Prueba Para Cada Arquitectura Con Las Redes Sugeridas
71
4.1.5.
Realizar Una Afinacin En Base A Los Resultados
72
4.2.
APLICACIN DE LA METODOLOGA
72
4.2.1.
Adquisicin De Datos
72
4.2.2.
Definicin De Entradas/Salidas
74
4.2.3.
Prueba De Las Diferentes Arquitecturas/Afinacin De Redes
74
5.
COMPARACIN Y GRFICOS
77
5.1.
POZO 1
78
5.2.
POZO2
80
5.3.
POZO3
82
5.4.
POZO4
84
5.5.
POZO5
86
5.6.
POZO6
88
5.7.
POZO7
90
5.8.
POZO8
92
5.9.
POZO9
94
5.10.
POZO10
96
6.
CONCLUSIONES
7.
RECOMENDACIONES
100
8.
ANEXO 1: MANUAL DE USUARIO
101
8.1.
INTRODUCCIN
99
101
8.1.1.
Qu Puede Hacer?
101
8.1.2.
Recomendaciones
102
8.2.
DESDE CERO
102
8.2.1.
Cmo Crear?
103
8.2.2.
Cmo Salvar?
104
8.2.3.
Cmo Cargar?
105
8.2.4.
Entrenamiento
106
8.2.5.
Simulacin
107
8.3.
AVANZADAS
108
8.3.1.
Normalizacin
108
8.3.2.
Edicin
110
8.3.3.
Entradas/Salidas
112
8.3.4.
Convertir Caudales
114
8.3.5.
Datos De La Facilidad
114
8.3.6.
Exportar Datos A Excel
115
8.3.7.
Reportes
116
8.3.8.
Grficas En 2D
117
8.3.9.
Separador Decimal
118
BIBLIOGRAFA
132
ANEXO 1. ANLISIS DE LOS ALGORITMOS IMPLEMENTADOS EN NEURALYZER

120
LISTA DE FIGURAS
PG.
Figura 1. Modelo de neurona artificial
26
Figura 2. Clasificacin de las redes neuronales
28
Figura 3. Taxonoma de las redes neuronales
29
Figura 4. Funcin de activacin radial
32
Figura 5. Patrones de flujo segregado
40
Figura 6. Patrones de flujo intermitente
41
Figura 7. Patrones de flujo distribuido
41
Figura 8. Mapa de regmenes de flujo, Baker (1953) [4]
42
Figura 9. Mapa de patrones de flujo de Govier & Omer [5]
43
Figura 10. Mapa de regmenes de flujo Mandhane (1974) [5]
44
Figura 11. Mapa de rgimenes de flujo Taitel-Dukler (1976) [4]
45
Figura 12. Mapa del patrn de flujo Beggs & Brill[4]
46
Figura 13. Correlacion de Lockhart & Martinelli y las observaciones de Baker [4]
50
Figura 14. Correlacin de holdup para mezclas Gas-Lquido [4]
51
Figura 15. Relaciones de Lockhart-Martinelli [5]
52
Figura 16. Funcin de Dukler, Wicks & Cleveland [5]
54
Figura 17. Evolucin del nmero de referencias (miles) a las redes neuronales en la
literatura
Figura 18. Diagrama de casos de uso
58
65
Figura 19. Diagrama de flujo para la consecucin de una arquitectura de red

adecuada.
67
Figura 20. Error en el entrenamiento y error durante la validacin
69
Figura 21. Proceso de los datos para la entrada/salida en una red neuronal.
70
Figura 22. Arquitectura final PMC para determinar el patron de flujo
75
Figura 23. Arquitectura final Base Radial para determinar el patrn de flujo
76
Figura 24. Diagrama del modelo realizado en HYSYS
77
Figura 25. Porcentajes de presencia de los patrones en Pozo1
78
Figura 26. Historial de produccin de Pozo1, y su relacin con el patrn de flujo
78
Figura 27. Grafico de Velocidades de Pozo1, y su relacin con el patrn de flujo
79
Figura 28. Reporte HYSYS de Simulacin de Pozo1
79
80
80
81
81
82
82
83
83
84
84
85
85
86
86
87
87
88
88
89
89
90
90
91
91
92
92
93
93
94
94
95
95
96
96
97
97
Figura 65. Opciones para la creacin de redes
103
Figura 66. Detalles de la red
104
Figura 67. Caja de dilogo para autogeneracin de redes
104
Figura 68. Salvando una red
105
Figura 69. Opcin de reserva para realizar test.
106
Figura 70. Parmetros de entrenamiento
107
Figura 71. Botn detener entrenamiento
107
Figura 72. Empezar la simulacin de los datos
108
Figura 73. Opcin para la normalizacin de datos
109
Figura 74. Normalizacin producto
109
Figura 75. Normalizacin Max-Min
110
Figura 76. Opciones para edicin de redes
110
Figura 77. Caja de dilogo para los detalles de la red
111
Figura 78. Cambio de nombre de la red
111
Figura 79. Clonacin de una red
112
Figura 80. Botn para activar la caja de dilogo de entradas/salidas
113
Figura 81. Caja de dilogo de entradas salidas
113
Figura 82. Edicin del caption de las entradas y/o salidas
114
Figura 83. Opcin de convertir caudales
114
Figura 84. Formulario de obtencin de datos de tubera
115
Figura 85. Botn para exportar a Excel los datos de simulacin
115
Figura 86. Opcin para la generacin de reportes
116
Figura 87. Caja de dilogo para la elaboracin del reporte
116
Figura 88. Opcin para ver las graficas generadas
117
Figura 89. Grficas generadas de acuerdo a los datos suministrados
118
Figura 90. Men operador decimal
119
LISTA DE TABLAS
PG.
Tabla 1. Funciones de activacin ms comunes
Tabla 2.
para el holdup del lquido sin deslizamiento.
27
47
Tabla 3. Correlaciones para el clculo del holdup, segn Beggs & Brill
49
Tabla 4. Correlaciones para cada patrn de flujo segn Baker
52
Tabla 5. Lmites para los patrones de flujo segn Beggs & Brill
55
Tabla 6. Comparacin del PMC con la de funcin de base radial
71
Tabla 7. Variables pertenecientes al conjunto de datos
73
Tabla 8. Variables del patrn de flujo[20]
73
Tabla 9. Representacin de las salidas de la red neuronal
74
Tabla 10. Propiedades de los pozos, segn los parametros requeridos en la Tabla 7 77
Tabla 11. Comparacin de resultados de Hysys Vs PMC
98
TITULO: DETERMINACIN DEL PATRN DE FLUJO MULTIFSICO EN TUBERAS

DE RECOLECCIN DE PETRLEO EMULSIONADO, A PARTIR DE LOS DATOS
NEURONALES ARTIFICIALES*
AUTOR(ES): FLREZ SNCHEZ Jorge Eduardo**
PORRAS MEJA Freddy Alberto**
PALABRAS
CLAVES:
REDES
NEURONALES
MULTIFSICO, PATRONES DE FLUJO.
ARTIFICIALES,
FLUJO
DESCRIPCIN
La efectividad de los procesos de bsqueda, perforacin, extraccin, transporte y
tratamiento tanto del crudo como del gas, ha sido importante dentro de la industria
petrolera, es por ello que distintas ramas del conocimiento colaboran en la
optimizacin de dichos procesos. Las redes neuronales artificiales (RNA) han
demostrado su competencia en este tipo de procesos, con la generacin de modelos
que permiten mayor exactitud en los resultados, actualmente producidos por
complejos modelos matemticos que en su mayora no alcanzan la suficiente
exactitud, dada la fuerte naturaleza no lineal de los problemas abordados, como lo es
en el caso de; la determinacin del patrn de flujo, el holdup o colgamiento y el
posterior clculo de la cada de presin. Todos estos relacionados estrechamente con
el flujo multifsico que ocurre en las tuberas de transporte de gas y crudo. Estos
clculos son necesarios para la construccin/remodelacin adecuada de las
facilidades de superficie, porque en mayor parte se debe al mal diseo los problemas
de depositacin, rotura de lneas, represamiento, y sobrepresionamiento entre
cabezales entre otros.
El desarrollo de una aplicacin basada en RNA ayudar a establecer con mayor
eficacia estos parmetros. Aunque la idea de utilizar las RNA para la determinacin de
estos datos no es nueva, si es naciente en el mbito local, dados los altos costos de
las herramientas existentes en el mercado y/o la complejidad del manejo de stas.
Proyecto de grado
Facultad de Ciencias Fsico-Mecnicas, Ingeniera de Sistemas e Informtica, Ing. Juan
Carlos Reyes Figueroa
**
TITLE: DETERMINATION OF MULTIPHASE FLOW PATTERN IN EMULSIONED OIL

COLLECTION PIPES, STARTING FROM HISTORICAL PRODUCTION DATA
SUPPORTED BY AN ARTIFICIAL NEURAL NETWORKS APPLICATION*
AUTHOR(S): FLREZ SNCHEZ Jorge Eduardo**
PORRAS MEJA Freddy Alberto**
KEY WORDS: ARTIFICIAL NEURAL NETWORKS, MULTIPHASE FLOW, FLOW
PATTERNS.
DESCRIPTION
Effectiveness in processes such as searching, drilling, extraction, transportation,
treatment, for oil and gas, have been important in oil industry. Thats why several
knowledge fields are collaborating in the optimization of these processes. Artificial
Neural Networks (ANN) have proved competence in this kind of processes, with the
generation of models that allow at greater accuracy in results, unlike complex
mathematical models that, most of cases, dont reach enough accuracy, considering
the strong non-linear nature of problems like flow pattern and holdup determination and
further pressure drop calculation. These calculations are necessary for adequate
construction/remodeling of surface facilities since wrong design generally produce
deposit problems, line breaking, halting and overpressure between bolsters among
others.
The development of an ANN based application will help to establish with better
accuracy these parameters. Although the idea of applying ANN in determination of
these data is not new, it is budding in local ambit, because of the expensive and
difficult to handle nature of available tools
Work of degree
Faculty of Physical-Mechanics Engineerings, Systems and Informatic Engineering, Ing. Juan
Carlos Reyes Figueroa
**
INTRODUCCIN
El hecho de tener energa econmica se ha convertido, desde hace varios aos, en el

aspecto fundamental para la evolucin tecnolgica. A lo largo de la historia, se han
encontrado fuentes naturales como el viento, el sol, el calor interno de la tierra, la
energa potencial del agua, basadas en reacciones qumicas, el gas, entre otras. El
petrleo surge como el de mayor relevancia debido a sus aplicaciones y facilidad de
uso. ste ha sido esencial en el desarrollo, desde el ao 1859, fecha en la que se
1
descubri como fuente de energa .
El flujo multifsico en la industria de petrleo comenz a estudiarse en la dcada del
ao 1950. Los primeros investigadores usaron datos que se obtenan en laboratorios
de prueba. Estos datos (tasas de flujo del gas y del lquido, las propiedades fsicas de
cada fase, el dimetro del tubo, la inclinacin y las presiones de entrada y salida del
mismo, as como el holdup del lquido y el patrn de flujo) permitieron que se
generaran herramientas como las correlaciones para el holdup del lquido, mapas
empricos de patrones de flujo y las ecuaciones de gradiente de presin (basadas en
los principios de conservacin de momento y masa aplicados a las mezclas
homogneas).
El uso de software y hardware para adquirir datos de calidad junto con su anlisis,
esclarecieron los complejos mecanismos dinmicos que existen durante el flujo
multifsico. Al tiempo que se desarrollaron mtodos tericos como: ecuaciones que
describen la conservacin de masas, momento y energa para cada fase, adems de
correlaciones y modelos para cada patrn de flujo.
Actualmente, se utilizan simuladores de flujo transitorio as como modelos
mecansticos de estado estable que describen con ms precisin este fenmeno
fsico. An persisten errores significativos en el ajuste de las predicciones, pero la
investigacin cientfica ha abierto oportunidades de mejoramiento, colocando en
manos de los ingenieros soluciones a los retos que les plantean las necesidades y las
restricciones actuales.
Petrleo, Petrleo y el Hombre. Es.wikipedia.org. Revisado el 11 de septiembre del 2006
21
OBJETIVOS
OBJETIVO GENERAL
Desarrollar un software basado en redes neuronales artificiales para determinar el
patrn de flujo multifsico promedio presente en una tubera a partir de los datos
histricos de produccin, con el fin de calcular la cada de presin.
OBJETIVOS ESPECFICOS
i.
Realizar el estado del arte sobre los modelos utilizados en la

determinacin del patrn de flujo multifsico en tuberas de recoleccin de
petrleo emulsionado.
ii.
Formular una metodologa que permita modelar el flujo en tuberas de

recoleccin de petrleo emulsionado, apoyado en una aplicacin de
Redes Neuronales Artificiales.
iii.
Implementar una arquitectura de Red Neuronal Artificial que permita:
iv.
Determinar las variaciones que sufre el fluido y el patrn de flujo

Asociar las tasas ptimas de flujo con el patrn determinado
Comparar los resultados obtenidos por la aplicacin de Redes Neuronales

Artificiales desarrollada, contra el simulador HYSYS PLANT BUILD 3.2,
para el caso de algunos pozos petroleros hipotticos.
22
DEFINICIN DEL PROBLEMA
Una de las dificultades que afronta la comunidad internacional es el declive en la

produccin petrolera, predicho para el 20072, por esta razn es necesaria la
optimizacin en los procedimientos de perforacin, extraccin, transporte y
refinamiento. Para lograr este fin se integraron mltiples disciplinas, dentro de las que
se encuentra la Ingeniera de Sistemas, la cual colabora con la elaboracin de
software de diferentes propsitos, entre los que sobresalen los de simulacin, que
permiten un mayor aprovechamiento de los recursos, basados en las condiciones de
los yacimientos.
Una de las dificultades que se presentan en los yacimientos es la construccin y/o
remodelacin de las facilidades de superficie, porque en mayor parte se debe al mal
diseo los problemas de depositacin, rotura de lneas, represamiento, y
sobrepresionamiento en cabezales, entre otros. Para generar un buen diseo, es
necesario realizar una serie de anlisis de los diferentes efectos que tienen en el
sistema de facilidades, los cambios de elementos como: bombas, aislamientos de
bloques de produccin, cambios en los dimetros de las tuberas y cambios en la
profundidad de las bombas.
Para realizar este anlisis se debe conocer el comportamiento de la produccin del
yacimiento, principalmente, en lo que tiene que ver con: el histrico del estudio de los
gradientes de presin, la distribucin de las fases y el patrn de flujo que se presentan
en el transporte del crudo.
El objetivo general de este proyecto es desarrollar un software basado en redes
neuronales que sirva de apoyo para realizar la determinacin del patrn de flujo
multifsico, de paso colaborando en la industria petrolera con la bsqueda de
soluciones ms precisas y eficaces que ha tenido como resultado las recientes
implementaciones con aplicaciones de Inteligencia Artificial, que toman fuerza por su
precisin, robustez y fcil adaptacin a los diferentes modelos de campos.
Segn la Teora del pico de Hubbert, actualizada con datos recientes por la Asociacin para el
estudio del pico del petrleo.
23
JUSTIFICACIN
Los resultados del proyecto podrn servir en la determinacin de factores estratgicos

de produccin en yacimientos reales, como la ubicacin de facilidades de superficie y
la mejora en porcentajes de rendimiento. Contribuyendo al incremento de la
produccin general. Esto, junto a la necesidad de optimizar los procesos de
extraccin, transporte y procesamiento se convierte en una ayuda eficaz al proceso de
pases que como Colombia dependen de la exportacin de petrleo.
Existe novedad al investigar y desarrollar modelos, aplicando redes neuronales
artificiales, en el rea del flujo multifsico. Este fenmeno ocurre en casi todos los
pozos productores de petrleo, en la mayora de los de gas y en algunos de inyeccin;
avances en esta rea tendra efectos inmediatos sobre ellos.
La industria necesita cada vez ms participacin de tecnologas que, aplicadas,
optimicen procedimientos, economicen gastos y mejoren productos. Por medio de este
trabajo, se contribuye, en el mbito acadmico local, con alternativas, proporcionando
informacin valiosa a las investigaciones por venir.
Las redes neuronales artificiales se ajustan a los diferentes problemas en los cuales
se han aplicado, y actualmente estn muy difundidas como parte de sistemas de
anlisis y de prediccin. stas han mostrado gran potencial para realizar
exploraciones, con resultados exactos, de grandes bases de datos histricas. La
tendencia parece ser la integracin de tcnicas emergentes entre si junto con
herramientas convencionales, como anlisis estadsticos, para construir sistemas que
puedan resolver problemas desafiantes.
24
1.
1.1.
REDES NEURONALES ARTIFICIALES
GENERALIDADES
A finales de los aos 40 se inici el desarrollo de las primeras teoras acerca de

aprendizaje y del procesamiento neuronal, apoyados, desde ese entonces, por la
computacin como herramienta para modelar el comportamiento de las neuronas. Si
bien en esa poca se tena un concepto acerca del papel de las neuronas dentro del
aprendizaje, un ejemplo de estos sistemas no se desarroll sino hasta finales de los
aos 50 con un trabajo realizado por Frank Rosenblatt, con su denominado
Perceptron3.
El Perceptrn fue un experimento que ilustr propiedades generales de los sistemas
inteligentes, sin tener en cuenta varias condiciones especiales. Rosenblatt crea que la
conectividad entre las redes biolgicas tena un elevado porcentaje de aleatoriedad,
por lo que era necesaria una teora de probabilidades.
Al inicio hubo un prematuro pesimismo debido a las limitadas capacidades del
perceptrn, ilustradas en Perceptrons4, escrito por Marvin Minsky y Seymour Papert.
Gracias a estas debilidades, durante el lapso de tiempo que va desde 1969 hasta
principios de los 80 la investigacin en este campo fue pobre, por no decir que nula,
por un tiempo slo algunos investigadores continuaron trabajando, los ms notables
fueron Teuvo Kohonen, Stephen Grossberg, James Anderson y Kunihiko Fukushima.
Desde 1943 McCulloch-Pitts y a partir de su trabajo5, al cerebro se le consider como
un organismo computacional, despus en 1949 Donald Hebb escribi un libro en el
que expona lo siguiente:
Cuando un axn de la clula A esta suficientemente prximo para
excitar a una clula B o toma parte de su disparo de forma
persistente, tiene lugar algn proceso de crecimiento o algn cambio
metablico en una de las dos clulas, o en las dos, de tal modo que
la eficiencia de A, como una de las clulas que desencadena el
disparo de B, se ve incrementada.6
3
Frank Rosenblatt. The Preceptron: A probabilistic model for information storage and
organization in the brain. Psycological Review, 65:386-408, 1958
4
Marvin Minsky, Seymour Papert. Perceptrons. MIT Press. Cambridge. 1969
5
Warren S. McCulloch y Walter Pitts. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, 5:115-113. 1943
6
Donald O. Hebb. The organization of Behavior. Wiley. New York. 1949
25
Hebb sostena que se aumentaba el rea de la unin sinptica, pero actualmente,

teoras ms recientes afirman que se debe a un incremento de la velocidad con que se
libera el neurotransmisor en la clula pre-sinptica, o en este caso, la clula A.
Las Redes Neuronales Artificiales (RNA) son una imitacin del modelo biolgico,
basado en un conjunto de clulas, las neuronas, que envan impulsos gracias a
conexiones nerviosas llamadas sinapsis, cuando un estimulo de estos es recibido, las
sustancias qumicas transmisoras se liberan de la sinapsis y entran a la dendrita,
aumentando o disminuyendo el potencial elctrico del cuerpo de la clula. Cuando el
potencial alcanza un umbral se transmite un pulso elctrico o una accin potencial a
travs del axn.
En las RNA las neuronas y conexiones son reemplazadas por los modelos
matemticos que simulan su comportamiento. Estos modelos son conocidos como
funciones de activacin. La neurona artificial recibe seales desde varias entradas,
estas son multiplicadas en la entrada de la neurona por sus respectivos pesos
sinpticos, estos pesos determinan la fuerza de cada conexin y son determinados
por un algoritmo de aprendizaje que los modifica de acuerdo con patrones dados,
despus de esto, se realiza una sumatoria simple de todos los productos de las
entradas por los pesos, este resultado es evaluado por medio de una funcin de
activacin que ser a su vez evaluada por la funcin de salida de la neurona, que por
lo general es una funcin lineal, y esta salida va a su vez como entrada de la siguiente
capa de neuronas o si es su caso para la salida de la red.
P1
P2
W1j
W2j
W3j
Pn
Wnj
FT
.....
P3
Figura 1. Modelo de neurona artificial

Donde:
Pn = n-sima entrada de la neurona.
Wnj = Peso de las conexin de la ensima entrada de la neurona j.
26
Sj
= Sumatoria de los productos de las entradas
P W
i =1
ij
FT = Funcin de transferencia.
Sj = Salida de la neurona j.
Las funciones de activacin ms comunes son la funcin identidad, escaln, lineal,
sigmoidal y gaussiana (Tabla 1).
Funcin
Grafica
Identidad
f (x ) = x
Escaln
f (x ) = H (x )
Lineal a tramos
1 si x < 1
f ( x ) = x si + 1 x 1
+ 1 si x > +1
Sigmoidal
Gaussiana
f (ui ) =
1
1+ e
f (ui ) = ce
ui
ui2
Tabla 1. Funciones de activacin ms comunes

La RNA se entrena introduciendo valores al azar inicialmente en los pesos de las
neuronas, luego se le suministran entradas prefijadas y comparando las salidas de la
red con un resultado esperado, luego se ajustan los pesos de cada neurona de
acuerdo a la magnitud del error presentado, este proceso se realiza de manera
iterativa hasta tener, con una gran aproximacin, las respuestas adecuadas del
sistema.
27
1.2.
TIPOS DE RED
Las redes se dividen segn algoritmo de aprendizaje, en redes de entrenamiento

supervisado y no supervisado (
Figura 2 y Figura 3).
Clasificacin de las RNA
Entrada Binaria
Supervisada
Hopfield Hamming
Entrada Contina
Supervisada
No Supervisada
Carpenter/Grossberg
Perceptrn
No Supervisada
Perceptrn
Multicapa
Kohonen
Figura 2. Clasificacin de las redes neuronales

Las redes de tipo supervisado son las ms desarrolladas, entre la que sobresale el
perceptrn multicapa con algoritmo de aprendizaje de retro-propagacin sus datos de
entrenamiento se componen de valores entrada/salida, esto permite una rectificacin
de pesos en base a las que el supervisor quiere, de tal modo que la ecuacin de
redefinicin de pesos sera de la forma:
Wij = Wij + Wij
(1)
Por otro lado, en las redes no supervisadas los datos de entrenamiento consisten en
patrones de entrada, en ellos la red trata de descubrir caractersticas comunes entre
los datos presentados, formndose como identificadores de patrones. Si en un
conjunto nuevo de datos la red decide que pertenecen a una clase reconocida
previamente, entonces la inclusin de este nuevo patrn a esta clase recompondr la
representacin de la misma. Si por el conjunto de datos se determin que no
pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura
y los pesos de La RNA sern reajustados para reconocer la nueva clase.
28
Taxonomas
Aprendizaje
Estrategia
Tipologa
Supervisado
Estocstico
No
Supervisado
Por correccin
de error
Reforzado
Hebbiano
Arquitecturas
Aplicaciones
Single Layer
Feedfoward
Memoria
Asociativa
Multilayer
Feedfoward
Optimizacin
Recurrentes
Reconocimiento
de patrones
Mapeo de
caractersticas
Prediccin
Competitivo y
cooperativo
Clasificacin
Figura 3. Taxonoma de las redes neuronales7

Dentro de las diferentes arquitecturas desarrolladas para crear redes neuronales
eficientes para determinados tipos de problema, se habla de las capas como un grupo
de neuronas que tienen conexiones a las mismas entradas y envan sus seales a un
mismo destino, entonces los datos que son introducidos en una capa producirn los
resultados que servirn de datos de entrada para la siguiente capa.
Toda red neuronal tiene como mnimo una capa de entrada y una capa de salida, las
capas que estn entre estas dos se denominan capas ocultas, de las cuales su
nmero puede variar dependiendo de la complejidad del problema.
1.2.1.
Perceptrn Multicapa Con Algoritmo Backpropagation (PMC)
En el ao de 1986, se dio un importante paso en la construccin de arquitecturas de

redes neuronales, con el desarrollo de un modelo que fue descubierto por Werbos en
1974, Parker en 1985 y Rumelhart et al en el 86, dando como resultado la
implementacin de una red de varias capas con un nuevo algoritmo de propagacin
del error, las llamadas redes backpropagation.
Rojas, R. Neural Networks. A Systematic Introduction, pp. 7. 1996.
29
Uno de los mtodos ms utilizados a travs de la historia de las RNA es el mtodo

backpropagation, utilizado para clasificacin y pronostico, que consta precisamente de
una formacin de neuronas sencillas dispuestas en mltiples capas, conectadas entre
si por medio de conexiones ponderadas con pesos que se modifican por medio del
entrenamiento. Backpropagation, como su nombre lo indica, propaga el error hacia
atrs, para esto utiliza la llamada regla delta que distribuye de forma proporcionada el
diferencial entre la salida obtenida en el proceso de entrenamiento y la salida
deseada. El proceso de entrenamiento de la red sucede como sigue:
A la red le es presentado un conjunto de pares de datos de entrada-salida a manera
de ejemplo, los datos de entrada provocan un estmulo en la primera capa, que se va
propagando en las siguientes hasta llegar a la capa de salida, la salida obtenida se
compara con el dato de salida que se desea obtener y se calcula entonces un valor
del error para cada una de las neuronas de salida. Este error es trasladado hacia atrs
yendo en direccin a la capa de entrada, pasando por todas las capas ocultas,
recibiendo cada neurona de cada capa el error aproximado de su colaboracin al error
relativo total. Basndose en ese valor del error recibido por cada neurona se ajustan
nuevamente los pesos de las conexiones entre las neuronas, de modo que la salida
en la siguiente iteracin tendera a ser ms cercana a la salida deseada.
Se ha demostrado que el perceptrn multicapa con algoritmo de aprendizaje
backpropagation es un aproximador de funcin universal. Esto significa que para
cualquier grado de exactitud que sea necesario, existe una configuracin de red que
puede llenar los requerimientos involucrados. Desgraciadamente, esto no proporciona
ninguna ayuda para fijar los parmetros de la red. Por esto, la configuracin de la red
es determinada por medio de reglas heursticas.
El tamao de la red es determinado por el nmero de capas ocultas y el nmero de
neuronas en estas capas. Se pueden usar las siguientes guas para escoger el
nmero de capas:
1. Cuando la funcin consiste en un nmero finito de puntos, una red de tres
capas tiene la capacidad de aprender esta funcin.
2. Cuando la funcin es una funcin continua definida en un rango de
valores, una red de tres capas tiene la capacidad de aprender esta
funcin.
3. Una red de tres capas es tambin capaz de aprender varias funciones que
no cumplan los criterios anteriores. Bajo ciertas condiciones, por ejemplo,
las funciones con entradas normalmente distribuidas pueden ser
aprendidas.
4. Todas las dems funciones pueden ser aprendidas por una red de cuatro
capas.
30
El algoritmo backpropagation se ha hecho popular por su capacidad de modificar los

pesos de sus conexiones para realizar aproximaciones muy exactas de determinados
modelos y en la mayora de casos superiores a los modelos actualmente existentes.
Es una capacidad de generalizacin que le permite dar salidas muy cercanas para los
conjuntos de datos evaluados, que la red, en su etapa de entrenamiento, no ha visto.
Para lograr un buen desempeo en el desarrollo de una PMC, con el fin de evitar
problemas como el overfitting, consistente en el aprendizaje de memoria de la red, o
la no convergencia del modelo, cuando el nmero de neuronas no es suficiente, se
recomiendan los siguientes puntos:
El nmero de casos para el entrenamiento debe ser suficientes y adems

representativos del conjunto de casos que se desee generalizar. La mejor red
no es aquella cuyo error en el entrenamiento continuamente est bajando.
Conservar alrededor de un 10% de los ejemplos de entrenamiento, el llamado

conjunto de validacin, no incluyndolos en el entrenamiento, con el fin de
hacer pruebas de testeo de la red una vez halla finalizado el entrenamiento,
con el fin de ver la capacidad de generalizacin alcanzado, teniendo lo que se
llama error de generalizacin.
La clasificacin de las entradas y las salidas deben estar en un adecuado

rango de interpretacin por parte de la red, no son recomendables los valores
grandes ni aquellos que posean valores extremos, ya que afectara el
entrenamiento, lo ms recomendado es la normalizacin de los datos.
1.2.2.
Redes De Funcin De Base Radial
Inicialmente inducido por un artculo sobre funciones de base radial de Medgassy en

1961 y las aplicaciones a interpolacin de funciones de Micchelli en 1986 y Powell en
1987, a la estimacin de la funcin de densidad, de Parzen en 1962 y Specht en 1990,
y a la aproximacin de funciones multivariantes suaves, de Poggio y Girosi en 1989.
Son un mtodo alternativo a las redes Backpropagation, constan de slo una capa
oculta, fueron ideados por Bromead y Lowe en 1988, comprenden la clasificacin no
lineal, las funciones de activacin en su capa oculta y de salida son diferentes, las
neuronas de la capa oculta son activadas por medio de funciones radiales en base a
un centroide o centro de gravedad. La funcin radial viene dada por la ecuacin de
una funcin gaussiana:
i (n ) = e
X ( n ) Ci
2 d i2
(2)
La RBF (Radial Basis Function) tiene como ventaja sobre la backpropagation que su
aprendizaje se favorece entre ms ejemplos de entrenamiento halla en el conjunto, no
sufriendo el problema del overfitting. Por otro lado, como una de sus principales
31
desventajas est que requiere un volumen mayor de

backpropagation y su gasto de cmputo y memoria es mayor.
neuronas
que
la
El entrenamiento de la red de funcin de base radial ocurre slo hacia delante,

pertenece a un tipo de aprendizaje hibrido, los centroides son hallados mediante un
proceso no supervisado, el ms utilizado es el algoritmo denominado K-medias, y los
pesos sinpticos entre la capa oculta y la de salida se hallan supervisadamente. El
proceso de entrenamiento ocurre de manera resumida as:
Por la naturaleza del algoritmo K-medias se le indican cuntos nodos o

centros se van a tener en cuenta. Se inicializan estos pesos con puntos
escogidos aleatoriamente entre los puntos de entrada.
Entre los centros establecidos se reparten los puntos de entrada del conjunto
de entrenamiento, teniendo como criterio que se asigna el punto al centro
ms cercano a el.
Se calcula el centroide de todos los puntos pertenecientes al mismo nodo, se
ajusta el valor del centro por el hallado.
Se repiten los pasos anteriores hasta que el cambio de los centros con
respecto a los centros anteriores sea casi nulos.
Una vez se han establecido los centros finales, se procede a calcular los
pesos sinpticos de conexin entre la capa oculta y la de salida, para lo cual
se puede utilizar, como en nuestro caso, la regla delta generalizada tal como
se hara con un PMC con algoritmo backpropagation.
Figura 4. Funcin de activacin radial

Como la red de funcin de base radial necesita de un agrupamiento previo de los
datos, se hace necesario implementar un algoritmo que realice la tarea, para este fin
32
existen varias opciones, como las implementaciones con redes auto-organizativas,

algunos algoritmos de agrupamiento son:
Clustering Probabilstica
Mtodos de los k-vecinos (kmedoids)
Mtodos de las k-medias
Algoritmos Basados en Densidad
Clustering de Conectividad Basada
Densidad Density-Based
Clustering basado en Funciones de Densidad
Mtodos Basados en Rejillas
Mtodos Basados en la Co-Ocurrencia de Datos Categricos
Clustering Basado en Restricciones
Algoritmos para Datos de Grandes Dimensiones
Clustering Subespacial
Tcnicas de Co-Clustering
El mtodo a utilizar en esta oportunidad es el K-medias, que es un mtodo

adecuado, sencillo pero a la vez robusto en sus clasificaciones [1]. Se trata de un
algoritmo clasificado como de Particionado y Recolocacin.
El de las k-medias, es hasta ahora el ms utilizado en aplicaciones cientficas e
industriales. El nombre le viene porque representa cada uno de los clusters por la
media (o media ponderada) de sus puntos, es decir, por su centroide. ste
nicamente se puede aplicar a atributos numricos, y los valores extremos le
pueden afectar negativamente. Sin embargo, la representacin mediante
centroides tiene la ventaja de que tiene un significado grfico y estadstico
inmediato.
La suma de las discrepancias entre un punto y su centroide, expresado a travs
de la distancia apropiada, se usa como funcin objetivo. La funcin objetivo,
suma de los cuadrados de los errores entre los puntos y sus centroides
respectivos, es igual a la varianza total dentro del propio cluster. La suma de los
cuadrados de los errores se puede racionalizar, como el negativo del log-
33
likelihood, para modelos mixtos que utilicen distribuciones normales. Por lo tanto,
el mtodo de las k-medias se puede derivar a partir del marco probabilstica (ver
subseccin Clustering Probabilstico del libro de Mitchell8).
1.3.
APLICACIONES
En la ltima dcada, La Inteligencia Artificial ha madurado en un conjunto de

herramientas analticas (RNA, programacin evolutiva, Lgica Borrosa entre otras)
que facilitan la solucin de problemas que haban sido difciles o imposibles de
resolver. La tendencia hoy parece ser la integracin de estas herramientas entre si
junto con herramientas convencionales, como anlisis estadsticos, para construir
sofisticados sistemas que puedan resolver problemas desafiantes. Estas herramientas
son usadas en diferentes disciplinas y han encontrado su camino dentro de los
productos comerciales.
En particular, las RNA son aplicadas en un amplio campo de problemas, sobre todo
para lo que la realizacin de modelos matemticos es compleja o imposible. Esto se
debe a que los parmetros involucrados en un proceso particular no son conocidos y/o
la interrelacin de stos es complicada para generar el modelo matemtico del
sistema. En estos casos, una RNA puede ser construida para observar la conducta del
sistema (qu tipo de salida es producida como resultado de cierto conjunto de
entradas) e intentar imitar su funcionalidad y conducta.
Debido a las grandes similitudes que presentan las RNA con las neuronas biolgicas,
es posible realizar tareas de clasificacin, estimacin y agrupamiento, que para el
cerebro son fciles de resolver, pero que por medio de un algoritmo computacional es
poco menos que imposible.
La clasificacin es de las aplicaciones ms comunes que se tienen para las RNA.
Muchas de las necesidades del ser humano comprenden clasificacin, categorizacin,
el problema se presenta cuando son cientos y a veces miles las clasificaciones que se
tienen que llevar a cabo para determinadas tareas como la clasificacin de riesgos, la
deteccin de fraudes, el filtrado de datos, lo que se lleva a pensar en una
automatizacin, que se puede lograr con RNA. Algunas de las aplicaciones ubicadas
aqu son las siguientes:
Deteccin de fraudes.
Asignacin de crditos.
Reconocimiento de voz y texto.
Tom M. Mitchell. Machine Learning. McGraw-Hill. (1997)
34
Reconocimiento de patrones.
Limpieza de ruido.
La clasificacin trata con conclusiones discretas, un si o un no, tipo de crdito, vlido o

no vlido, est en esta clase o est en otra, en la estimacin la salida es continua,
dados lo valores de entrada, la red devuelve un valor que se puede interpretar, segn
el problema, como peso, entradas de dinero, o porcentaje. Entre otras aplicaciones,
dentro de las estimativas estn:
Estimacin de los ingresos de un hogar.
Estimacin del tiempo de vida de una persona o artculo.
Determinacin de porcentajes de materiales compuestos.
Estimacin de probabilidades.
El sentido comn indica que si un problema puede ser resuelto con mtodos
convencionales, las redes neuronales (o cualquier otra tcnica de inteligencia artificial)
no deben ser usadas para resolverlo. Por ejemplo, balancear una chequera con una
red neuronal no es recomendable. Aunque hay valor acadmico en resolver
problemas simples, como las ecuaciones polinomicas y diferenciales, con las redes
neuronales para mostrar sus capacidades, estas deben usarse principalmente para
resolver problemas que de otra manera consumen mucho tiempo o simplemente es
imposible de resolver por mtodos convencionales.
Las redes neuronales han mostrado gran potencial para generar anlisis y resultados
precisos de grandes bases de datos histricas, el tipo de datos que los ingenieros
pueden considerar sin valor o irrelevantes en el modelamiento convencional y en
procesos de anlisis.
1.3.1.
Aplicaciones En La Industria Del Petrleo
La industria de la produccin del petrleo y gas no es ajena a la tendencia del uso de

Las RNA como tcnicas de computacin emergente. En varios artculos Mohaghegh
9
[2] hace un recuento de las aplicaciones de las RNA a la industria del petrleo y gas.
Estas aplicaciones estn basadas en la capacidad de stas para resolver problemas
combinados con herramientas convencionales tales como el anlisis estadstico e
inferencia de patrones de datos.
Mohaghegh S. and Ameri S. Artificial Neural Network as a Valuable Tool for Petroleum
Engineers, paper SPE 29220. 1995.
35
Mohaghegh Kumoluyi A.O. y Daltaban (1994)10 proponen la aplicacin de las RNA de

alto orden (redes de retro-propagacin: Perceptrones multicapa, Redes de teora de
resonancia magntica, mquinas de Boltzmann y mapas auto-organizativos de
Kohonen) a casos especficos de anlisis de datos: interpretacin de registros de
pozo, modelamiento del flujo en tubera y tratamiento de datos ssmicos. Para estos
casos se busca explotar la propiedad de las redes neuronales de alto orden para
efectuar un reconocimiento de patrones que permite realizar una seleccin de los
datos para un anlisis estadstico posterior.
Ali J.K. (1994)11 muestra el panorama de las aplicaciones directas de las RNA en la
industria petrolera. Estas aplicaciones aunque novedosas no son necesariamente el
resultado de una aproximacin al azar.
Las empresas de petrleo y gas tratan de aumentar su posicionamiento global
mejorando las predicciones de mercado y el tratamiento de la compleja informacin
generada en el proceso de exploracin y explotacin de campos de petrleo y gas.
Las caractersticas de Las RNA se aplican a los siguientes casos:
Problemas en los cuales se desconocen reglas detalladas para

resolverlos o son difciles de formalizar, pero hay conjuntos de datos
de entrada y salida conocidos.
Problemas que tienen ruido en los datos.
Donde se requiere una alta velocidad de procesamiento.
Ali J.K termina su artculo resumiendo las aplicaciones directas de las RNA a la
industria petrolera de la siguiente manera:
i)
Geologa y geofsica:
Estimacin de reservas.
Identificacin de minerales en los registro de los pozos.
Localizacin de pozos a perforar en datos geofsicos.
Comprensin de los datos sismogrficos en la prospeccin

petrolera.
10
Kumoluyi A.O. and Daltaban T.S. High-Order Neural Networks in Petroleum Enginnering,
paper SPE 27905. 1994.
11
Ali J.K. Neural Networks: A New Tool for the Petroleum Industry?, paper SPE 27561. 1994.
36
ii)
Perforacin y completamiento de pozos:
Anlisis de datos de perforacin
Diagnsticos de desgaste de brocas
Seleccin y monitoreo de brocas y lodos de perforacin
iii) Evaluacin de formaciones
Prediccin de la porosidad
Prediccin de la permeabilidad
Deteccin y delineamiento de fracturas
Identificacin e interpretacin de registros
Presiones de pozo
iv) Produccin y facilidades
Anlisis e implantacin de producciones de gas y petrleo
Inspeccin de tuberas de produccin
Diagnstico y mantenimiento
Localizacin de plataformas de perforacin costa afuera
v) Ingeniera de yacimientos
Anlisis de parmetros de produccin de gas y petrleo
Inversin de modelos de simulacin
Ajuste histrico automtico
Reconocimiento de patrones de presin en pruebas de pozo
Prediccin de propiedades de yacimiento
Prediccin de propiedades fsicas
37
Vi) Negocios del petrleo
Anlisis de mercado de gas y petrleo
Anlisis de riesgo
Optimizacin de portafolio de negocios
Coordinacin de datos econmicos
12
En un estudio posterior Toomarian y colaboradores (1997) han profundizado en la
utilizacin de Las RNA en el campo de caracterizacin de propiedades del yacimiento,
creando algoritmos para analizar los registros o perfiles elctricos de pozo para
estimar con una mayor exactitud las propiedades de los fluidos en la litologa y
columna estratigrfica del pozo.
En conclusin, Las RNA son usadas en la industria del petrleo para realizar clculos
de niveles de bomba, gradientes de presin en pozos y redes de tuberas, anlisis
nodal, patrones de flujo, holdup, etc. A lo largo de los aos se ha verificado que las
redes neuronales producen los mejores resultados donde se las aplica. Esto se
confirma en el paper Identificacin del patrn de flujo y holdup del lquido usando
redes neuronales artificiales del doctor Osman Elsayed [3] donde l sostiene que,
usando redes neuronales, se podra predecir los regmenes de flujo anular,
estratificado, bache y ondulado con una exactitud de 100%, 98.6%, 98.5% y 94.7%
respectivamente.
12
Toomarian N.B., Barhen. J., Glove C.W. and Aminzadeh. Oil Reservoir Properties
Estimulation Using Neural Networks. JPL Report. Nasa Research Press. 1999.
38
2.
2.1.
FLUJO MULTIFSICO
FLUJO MULTIFSICO
El flujo multifsico se define como el flujo simultneo de dos o ms fases (en estado
lquido, slido o gaseoso) en una tubera de conduccin. En la industria del petrleo, el
flujo multifsico se presenta en tuberas de superficie y en los pozos de produccin de
gas y aceite (la mayora de pozos que producen lquidos producen algo de gas y
viceversa).
Todos los intentos realizados para obtener una solucin general para el problema del
flujo multifsico han cado en el vaco, aun as se ha observado una asociacin
natural, es decir, para cada patrn hay un comportamiento similar, Esto hace que el
problema sea algo ms fcil, se analiza cada patrn por separado. De esta manera, el
mtodo lgico indica primero que hay que predecir el patrn de flujo en la tubera, y
una vez determinado se desarrolla un modelo por separado el cual prediga las
caractersticas del flujo, como cada de presin, colgamiento del lquido y el coeficiente
de transferencia de calor.
2.2.
PATRONES DE FLUJO MULTIFSICO
Se definen los patrones de flujo multifsico como una descripcin cualitativa de la

distribucin de las fases en la tubera. Describe la forma en que se distribuyen las
fases en un segmento de tubera. El patrn de flujo es influenciado por la geometra
de la tubera, por las propiedades fsicas de la mezcla (densidad, tensin superficial,
viscosidad) y por las tasas de flujo.
Cuando la tubera posee una inclinacin mayor que 5 grados, ya sea por la
topografa del terreno o por razones de conveniencia, no se puede considerar la
tubera como una tubera horizontal. Aunque los patrones de flujo en tubera inclinada
se consideran como si fuera una tubera horizontal (los patrones de Beggs y Brill), se
tiene que los valores de las cadas de presin y holdup son diferentes y son ms
complicados de determinar.
2.2.1.
Patrones De Flujo Multifsico En Tubera Horizontal
Se considera flujo en tubera horizontal, el flujo que fluye por una tubera cuya
elevacin no supera los 5 grados.
Los patrones de flujo no afectan la presin significativamente en flujo horizontal como
s sucede en el vertical. En el flujo horizontal la energa potencial no influye. De todos
39
modos esto no indica que estos patrones de flujo horizontal no se tengan en cuenta.
Pueden afectar las operaciones de produccin y algunas correlaciones para cadas de
presin los consideran.
Aunque se han realizado muchas descripciones y tipificaciones de los patrones de
flujo (Alves defini ocho regmenes, Degance y Aterton definieron tres categoras),
actualmente se usan las categoras definidas por Beggs y Brill las cuales son definidas
a continuacin.
2.2.1.1
Patrn De Flujo Segregado.
El flujo segregado es aquel en el que las fases se encuentran, en su mayor parte,

separadas. Se subdivide en tres regmenes: flujo estratificado, flujo ondular y flujo
anular. El primero se caracteriza porque el lquido va fluyendo por la parte baja de la
tubera, mientras el gas fluye a lo largo del tope de la tubera, con una interfase lisa
entre las fases. ste rgimen ocurre cuando las tasas de las fases son relativamente
bajas. A tasas ms altas la interfase comienza a ondularse, originndose el flujo
ondular. Por ltimo el flujo anular ocurre cuando hay tasas altas de gas y tasas
relativamente altas de lquido. ste flujo consiste de una capa fina de lquido en las
paredes de la tubera y una fase gaseosa con pequeas gotas de lquido fluyendo por
la parte central de la tubera.
Figura 5. Patrones de flujo segregado
2.2.1.2
Patrn De Flujo Intermitente.
El patrn de flujo intermitente es aquel en el cual el gas y el lquido fluyen

alternadamente a travs de la tubera. Se divide en dos regmenes de flujo: flujo bache
40
y flujo tapn. El flujo bache consiste en grandes baches de lquido alternado con
burbujas de gas a alta velocidad llenando la mayor parte de la tubera. El flujo tapn
se distingue por el flujo de grandes burbujas de gas a lo largo de toda la tubera.
Figura 6. Patrones de flujo intermitente
2.2.1.3
Patrn De Flujo Distribuido.
Este flujo se caracteriza por una fase que se encuentra dispersa en la otra y se divide
en dos regmenes: flujo tipo burbuja y flujo tipo niebla o disperso. El flujo tipo burbuja.
El flujo tipo niebla se presenta a altas tasas de gas y bajas tasas de lquido y consiste
en gas con gotas dispersas de lquido. Este rgimen de flujo es considerado
semejante al flujo anular, por lo que muchos mapas de patrones de flujo usan el
nombre niebla-anular para denotar estos regmenes.
Figura 7. Patrones de flujo distribuido
41
Beggs y Brill definieron un nuevo patrn denominado Transicin debido a que, cuando
el patrn cambia de segregado a intermitente en determinada zona, observaron un
decrecimiento grande pero lento de la fraccin de lquido retenido que no era tan
rpido como lo indicaban las ecuaciones.
2.3.
2.3.1.
MAPAS DE REGMENES DE FLUJO PARA TUBERAS HORIZONTALES
Correlacin De Baker
Los mapas de regmenes de flujo son usados para predecir los patrones de flujo en
una tubera horizontal. Uno de los primeros mapas que se disearon fue creado por
Baker en 1953, ms tarde modificado por Scoot mostrado en la siguiente figura, en la
cual los ejes son Gl/ y Gl/ Gg donde Gl y Gg son el flujo msico del lquido y del
gas respectivamente y el parmetro y son:
g l
0.075 62.4
(3)
2
73 62.4

= l
l l
(4)
En la siguiente figura se muestra el mapa de regmenes de flujo de Baker. En l se

puede observar que las transiciones de un patrn de flujo a otro no son abruptas, pero
la transicin ocurre en todo ese rango.
Figura 8. Mapa de regmenes de flujo, Baker (1953) [4]
42
2.3.2.
Correlacin De Govier & Omer:
En 1962 Govier & Omer propusieron un mapa de patrones de flujo, mejorndolo ms

tarde para ajustarla a modificaciones de dimetro y a las propiedades de los fluidos.
Govier y Aziz sugieren una modificacin de las coordenadas para aplicarlo a otros
tipos de fluido diferentes al aire-agua. Recomiendan los siguientes parmetros de
correccin:
X =
0.0808
g 72.4
Y =
62.4
(5)
(6)
Estos parmetros son usados para multiplicar las velocidades superficiales de los
fluidos de la siguiente manera:
~
VSG = XVSG
(7)
~
VSL = YVSL
(8)
~
~
VSG y VSL son usados en forma normal con el mapa modificado de patrones de flujo.
Figura 9. Mapa de patrones de flujo de Govier & Omer [5]
43
2.3.3.
Correlacin De Mandhane
En 1964, Mandhane propone un mapa de patrones de flujo en el cual, con base en las
coordenadas de Log VSL vs Log VSG, se localizan los limites de transicin. El mapa
diseado por Mandhane usa como ejes de coordenadas las velocidades superficiales
del lquido y del gas (Vsl Vs Vsg), el cual se muestra en la figura 7.
Figura 10. Mapa de regmenes de flujo Mandhane (1974) [5]

Mandhane introduce los siguientes factores de correccin para las diferentes
propiedades fsicas de los fluidos:
G L 72.4
X '=

0.0808 62.4
0.2
Donde
0.25
0.018
0.2
72.4
Y'= L L
1.0 62.4
0.2
(9)
lbm/ft3, G y
y L estn expresadas en
0.25
(10)
estn expresados en
centripoises, y en dinas/cm. Hay que tener en cuenta que estos factores se aplican
a las transiciones individuales, antes que a los ejes del mapa.
44
2.3.4.
Correlacin De Taitel & Dukler
En Taitel y Dukler se desarroll un modelo en el ao 1976 para las transiciones de

regmenes de flujo horizontal, este modelo puede ser usado para elaborar mapas de
regmenes de flujo para fluidos y dimetro de tuberas particulares, el cual se muestra
en la figura 8.
En l presenta un anlisis terico, la teora de la inestabilidad de Kelvin-Helmholtz,
para predecir las transiciones que ocurren entre los patrones de flujo. Para esto ellos
demuestran que cada transicin est controlada por un par diferente de grupos
adimensionales. Con este modelo, generalizado (Figura 11) se convirtieron en los
primeros en la prediccin analtica de los patrones de flujo.
Figura 11. Mapa de rgimenes de flujo Taitel-Dukler (1976) [4]
2.3.5.
En Beggs y Brill se realiz un mapa de patrones de flujo en el cual los ejes de

coordenadas son el nmero de Froude (NFR) contra la fraccin de lquido entrante L.
Este mapa se caracteriza por presentar los cuatro patrones de flujo propuestos por
ellos, sin tener en cuenta los diferentes regmenes de flujo.
45
Figura 12. Mapa del patrn de flujo Beggs & Brill[4]
2.4.
2.4.1.
HOLDUP O COLGAMIENTO
Velocidades Superficiales
Se define la velocidad superficial de determinada fase, como la velocidad a la que

viajara sta si fluyera sola a travs de toda el rea de flujo de la tubera. Por lo tanto:
VSL =
QL
QL
=
A
D 2 / 4
VSG =
(11)
QG
QG
=
A
D 2 / 4
(12)
A = rea de la seccin transversal de la tubera.

D = Dimetro.
QL = Flujo de lquido por la tubera.
QG = Flujo de gas por la tubera.

Puesto que las dos fases fluyen por la misma tubera al mismo tiempo, el rea real
para cada fase es una fraccin del rea total de flujo de la tubera. Por consiguiente, la
velocidad superficial siempre es menor que la velocidad real de la fase. Las
46
velocidades superficiales de las fases son usadas para correlacionar muchos de los
fenmenos observados en el flujo multifsico.
2.4.2.
Velocidad De La Mezcla
La velocidad de la mezcla se define como la suma algebraica de la velocidad

superficial del lquido y la velocidad superficial del gas:
VM = VSL + VSG
2.4.3.
(13)
Holdup Del Lquido Sin Deslizamiento.
El Holdup del lquido sin deslizamiento, L y
G , se define en trminos de las tasas
volumtricas bajo determinadas condiciones de presin y temperatura de flujo. Se

considera que no hay deslizamiento entre las fases, cuando las fases tienen la misma
velocidad real. Lo que implica que:
Fase Liquida
L =
Fase Gaseosa
QL
QL + QG
G =
VSL
V
= SL
L =
VSL + VSG VM
Tabla 2.
2.4.4.
QG
QL + QG
VSG
V
= SG
G =
VSL + VSG VM
L + G = 1
para el holdup del lquido sin deslizamiento.
Holdup Del Lquido
El Holdup del lquido se define como la relacin entre el volumen de un segmento de

tubera ocupado por el lquido y el volumen total de ese segmento. Este valor vara
entre cero y uno, por lo que, la diferencia de 1 menos el Holdup de lquido ( H L )
equivaldr al Holdup del gas ( H G ).
Fsicamente, el Holdup del lquido se mide cerrando dos vlvulas cercanas y midiendo
la cantidad de lquido retenido. Dependiendo del mtodo, se propone una ecuacin
diferente para su evolucin y generalmente depende del patrn de flujo y de la
posicin de la tubera.
47
2.4.5.
Velocidades Reales
La velocidad real de la fase lquida es aquella que considera el deslizamiento entre las
fases:
VL =
QL
A* HL
(14)
Anlogamente, la velocidad real del gas es aquella que tiene en cuenta el

deslizamiento entre las fases, as:
VG =
2.4.6.
QG
A* HG
(15)
Velocidad De Deslizamiento
Se define como la diferencia entre la velocidad real del gas y la velocidad real del
lquido:
VSLIP = VG VL =
QG
QL
A* HG A* H L
(16)
Los siguientes son modelos empricos desarrollados para la estimacin del holdup en
flujo horizontal:
2.4.7.
Mencionamos aqu la correlacin de Beggs y Brill, ya que sta se puede usar en

tubera horizontal y al mismo tiempo puede ajustarse para tuberas inclinadas.
Dependiendo del patrn de flujo, Beggs y Brill proponen las siguientes correlaciones:
Patrn de
flujo
Correlacin
H L (0 ) =
Segregado
Transicin
H L (0 ) =
0.980.484
0.0868
N FR
0.980.4846 (L3 N FR ) 0.845 * 0.5351

+
*
0.0868
0.8609
( L3 L 2 )
N FR
N FR
48
(L3 N FR )
* 1
(L3 L2)
Intermitente
H L (0 ) =
0.8450.5351
0.0173
N FR
Distribuido
H L (0 ) =
1.0650.5824
0.0609
N FR
Tabla 3. Correlaciones para el clculo del holdup, segn Beggs & Brill
2.4.8.
Correlacin De Lockhart & Martinelli Y Sus Modificaciones
En el ao de 1949, se presento una correlacin emprica para la fraccin volumtrica

promedio in situ de la fase lquida, EL, como funcin de X, definido as:
(P L)
(P L)
X =
(17)
SL
SG
Donde P
SL
es el gradiente de presin que tendra lugar si el lquido estuviera
fluyendo solo, a velocidad superficial, y P
SG
es el gradiente de presin que
tendra lugar si el gas estuviera fluyendo solo, a velocidad superficial. X puede ser
tambin notada de la forma:
V
X = SL
VSG
1
8
(18)
En esta ecuacin X es una razn de velocidades dependiente de las propiedades de

los fluidos. Esta correlacin fue realizada con datos para tubera de 1 pulgada, pero
Baker compar estos datos con los de tuberas de dimetros mayores y encontr que
los valores de holdup eran mayores.
49
Figura 13. Correlacion de Lockhart & Martinelli y las observaciones de Baker [4]
2.4.9.
Correlacin De Hughark & Pressburg
En el ao de 1962 se desarroll quiz la mejor correlacin general para el holdup de

mezclas Gas-Liquido, cubriendo un amplio arco de propiedades fsicas y dimetros,
inicialmente desarrollada para flujo en tubera vertical, demostr despus ser til
tambin para flujo horizontal. Ellos desarrollaron una relacin entre E G , la fraccin
volumtrica in situ promedio por unidad de volumen de la fase gaseosa, y una
cantidad:
V
X ' = 6 *10 SL L
VSG G
4
0.9
L0.19 0.205 G0.7 G2.75
G M0.435 L0.72
(19)
Donde G M = (VSL L + VSG G ) , la velocidad msica en lbm/ft2.sec, la y estn en

unidades de gr-cm-sec, y las densidades en lbm/ft3.
50
Figura 14. Correlacin de holdup para mezclas Gas-Lquido [4]
2.5.
GRADIENTES DE PRESIN
Debido a efectos de gravedad, friccin y aceleracin, se pueden producir prdidas de

energa en el sistema, que se veran reflejadas en la disminucin de la presin. El
procedimiento que se sigue para calcular la cada de presin en una tubera inclinada
es el siguiente: se determina el patrn de flujo y el holdup asumiendo que la tubera es
horizontal. El holdup hallado se corrige por el efecto de la inclinacin con el fin de
calcular la cada de presin posteriormente con alguno de los mtodos que se
plantean a continuacin.
2.5.1.
Correlacin De Lockhart & Martinelli
Ellos basan su correlacin en la premisa de que la cada de presin debe ser igual
tanto para la fase liquida como para la fase gaseosa sin importar el patrn de flujo, con
la condicin que halla un delta de presin radial despreciable. Por medio de su trabajo,
expresan la cada de presin en la fase liquida como sigue:
LV L2
P
= 2 f L
L tp
DL g
(20)
Donde D L es el dimetro hidrulico equivalente de la regin del tubo por la cual la

fase liquida fluye. Igual ocurre con la fase gaseosa:
51
GVG2
P
f
2
=
G
L tp
DG g
(21)
Figura 15. Relaciones de Lockhart-Martinelli [5]
Baker ha realizado unas modificaciones a la correlacin de Lockhart & Martinelli para

tuberas de mayor dimetro, esta nueva correlacin es expresada para cada patrn de
flujo.
Patrn de Flujo
Correlacin
G =
Estratificado
G =
Burbujas Elongadas
27.315 X 0.855
0.17
G SL
Burbujas Dispersas
G =
Bache
G =
Niebla Anular
15400 X
0.8
G SL
14.2 X 0.75
0.1
G SL
1190 X 0.815
0.5
G SL
G = (4.8 0.3125 D )X 0.3430.021D
Tabla 4. Correlaciones para cada patrn de flujo segn Baker
52
Donde G SL es la tasa de flujo msico superficial del lquido en lbm/ft2.hr. No existe una
ecuacin para el flujo ondulado. Por ltimo, hay que tener en cuenta que las
relaciones se aplican cuando el nmero de Reynolds superficial para cada fase supera
1000.
2.5.2.
Correlacin De Dukler, Wicks & Cleveland
En 1964 presentaron un estudio estadstico en el que analizaban varias de las

correlaciones existentes en el momento, comparando su desempeo y concluyeron
que aunque la de Lockhart & Martinelli tenia la mejor concordancia de todas, an le
faltaba para tener una buena consistencia. Debido a esto desarrollaron una nueva
correlacin para la cada de presin por friccin en el flujo bifsico. Se parte de la
premisa de que el holdup es finito y constante, se supone la mezcla homognea de las
fases, en la que no hay deslizamiento de una sobre otra, y el resultado de esta
correlacin fue estadsticamente superior a las anteriormente estudiadas por ellos.
El gradiente de presin debido a la friccin es expresado como:
2
P 2G M f tpM
=
L
g c D M
(22)
Donde:
f tpM = Ff
(23)
f = 0.0014 + 0.125 Re M0.32
(24)
Re M =
F = 1+
DG M
(25)
1.281 0.478 + 0.444 0.094 + 0.00843

2
(26)
4
= ln C L
(27)
G M = m m
(28)
53
2
L C L2 G (1 C L )
+
M EL
M EG
(29)
En la ecuacin de gradiente de presin, F es adimensional y esta en funcin de CL, la

fraccin volumtrica del lquido en la corriente de entrada (Figura 16). El clculo del
factor requiere conocer el valor de EG la fraccin de gas in situ. Para esto, Dukler
uso la correlacin de Hughmark ya ilustrada.
Figura 16. Funcin de Dukler, Wicks & Cleveland [5]
2.5.3.
Mtodo De Beggs & Brill
El mtodo diseado por Beggs y Brill es el ms aplicado para el clculo del gradiente
de presin, ya sea para pozo vertical, direccional, tubera horizontal o inclinada. Para
este clculo es necesario conocer dos parmetros iniciales: el holdup y el patrn de
flujo. ste fue el primer modelo en proponer un procedimiento matemtico para
predecir de forma sistemtica los patrones de flujo.
Para determinar el patrn de flujo se requiere de algunos clculos con nmeros
adimensionales (como el nmero de Froude para dos fases) y adems establecer
lmites entre los patrones de flujo.
Se necesitan las siguientes variables para determinar cualquier patrn de flujo:
54
Vm
gd
N FR =
l =
Vsl
Vm
(30)
(31)
L1 = 3160L.302
(32)
L2 = 0.0009252L2.4684
(33)
L3 = 0.10L1.4516
6.738
L4 = 0.5L
(34)
(35)
Los lmites de patrones de flujo segn Beggs y Brill para flujo horizontal son:
Patrn de Flujo
Segregado
Transicin
Intermitente
Distribuido
Lmites
< L1 L > 0.02 y N FR < L2
L < 0.01 y N FR
L > 0.01 y L2 < N FR < L3
0.01 < L < 0.4 y L3 < N FR < L1 L > 0.4 y L3 < N FR < L4
L < 0.4 y N FR > L1 L > 0.4 y N FR > L4
Tabla 5. Lmites para los patrones de flujo segn Beggs & Brill
Cabe aclarar que el mtodo de Beggs y Brill permite determinar el patrn de flujo, pero
no el rgimen de flujo, para lo cual se debe relacionar con otros regmenes de flujo
como el de Mandhane, Taitel y Dukler o el de Baker.
Habiendo calculado el patrn de flujo, se utiliza la frmula correspondiente para el
clculo del holdup, tratada en la seccin 2.4.7. Despus se procede a determinar:
(36)
55
(P )T = (P )G + (P )F + (P ) A
Prdidas por friccin:
f m m2
2D
(P) F =
(37)
f
= es
fN
s=
(38)
Ln( y )
0.0523 + 3.182 Ln( y ) 0.8725[Ln( y )] + 0.01853[Ln( y )]

2
y=
L
H
(39)
(40)
2
L
Si 1 < y < 1.2 entonces:
s = ln(2.2 y 1.2)
(41)
(P )G = s g
(42)
s = l H l + g H g
(43)
Prdidas por gravedad
Prdidas por aceleracin
(P ) A =
s m sg
P
Tambin se puede definir la cada de presin de la siguiente manera:
56
(44)
(P )T
(P )F + (P )G
EK =
1 EK
s m sg
P
Siendo P, la presin de entrada al tramo.
57
(45)
(46)
3.
3.1.
NEURAL ANALYZER (NEURALYZER V1.0)
ORIGEN DE LA IDEA
La propuesta del proyecto naci en parte por el vaco existente en la literatura local
acerca del anlisis del flujo multifsico apoyado con mtodos de inteligencia artificial y
debido a la necesidad de encontrar un modelo ms adecuado para la determinacin
del patrn de flujo.
Dado el inicial desconocimiento del campo de accin que requera la realizacin de un
anlisis previo a la aplicacin, se comienza el estudio del mismo con dos papers
publicados por Beggs, Brill y Arirachakaran [6] que indicaron el camino a seguir para
ahondar, primero en la idea de lo que es un flujo multifsico y las variables asociadas
a l. Despus de realizar una revisin, incluyendo bases de datos, como la de la SPE,
de la literatura internacional y local acerca del tema se procede a revisar qu se ha
hecho en ste, apoyndose en la inteligencia artificial, concretamente en el de las
RNA. En este punto se encuentra a Mohaghegh como uno de los lderes actuales en
13
su estudio, por lo tanto son de valiosa ayuda los papers publicados por l en la SPE
14
[7], adems de otros artculos que aportaron tambin al estado del arte .
Result interesante encontrar que, a pesar de los buenos resultados que han tenido
las RNA y en general la inteligencia artificial en varios campos de la industria,
incluyendo la del petrleo, slo recientemente han surgido investigaciones que
intentan ampliar ms la experiencia en estas (Figura 17).
Figura 17. Evolucin del nmero de referencias (miles) a las redes neuronales en la
literatura15
13
Shahab Mohaghegh. Recent Developments in Application of Artificial Intelligence in

Petroleum. SPE, West Virginia U. and Intelligent Solutions Inc. April 2005
14
Vanse los libros 8-25. de la bibliografa.
15
Tomado de http://www.cs.berkeley.edu/~russell/aima-bib.html Consultado el 15 de septiembre
del 2006.
58
3.2.
ANLISIS
Despus de organizar y estudiar toda la informacin recopilada hasta ese momento,

se procede a realizar una nueva revisin dentro de las tesis realizadas en esta rea
con anterioridad en la UIS16, para enriquecer la visin de la idea y tener la seguridad
de no estar repitiendo la investigacin.
Las generalidades de los conceptos que fueron recogidos y estudiados para la
realizacin del proyecto, se publicaron en el capitulo 1 y 2 de este libro, aqu se
renen nociones de flujo multifsico, de holdup o colgamiento, de sus parmetros, de
las correlaciones ms importantes realizadas hasta la fecha, generalidades acerca de
redes neuronales artificiales, de las redes que fueron implementadas en Neuralyzer
v1.0, como son la PMC y la base radial.
Para realizar la aplicacin, se propone un modelo de desarrollo en cascada,
consistente en recoleccin de requerimientos, el posterior anlisis de cada uno de
estos, el diseo de la aplicacin, construccin e implementacin, para lo cual se eligi
de antemano el lenguaje de programacin Delphi , en su versin 7, que tiene grandes

facilidades para la parte grfica, componentes gratuitos que ayudan la construccin de
software, adems de contar ya con experiencia de programacin en el mismo.
Para la recoleccin de requerimientos se busc apoyo del Ingeniero de Petrleos Jairo
Arrieta, con conocimientos en el rea del transporte de fluidos por tubera, que orient
la investigacin de la parte de flujo multifsico, y de los estudios realizados
anteriormente con inteligencia artificial en ese campo. Para asesora en la
implementacin de la algortmia, as como para la realizacin del aplicativo, se cont
con la ayuda del Ingeniero de Sistemas Juan Carlos Reyes, director del proyecto, con
experiencia en el rea de la inteligencia artificial, especialmente en redes neuronales
artificiales y lgica difusa.
3.3.
DISEO
Siendo el objetivo principal del software apoyar un proceso de determinacin, se

decide, inicialmente, por el diseo de un constructor/simulador de PMC, ampliando
despus la idea para las redes de funcin de base radial. Madurando ms el concepto,
se llega a la conclusin final de ayudar, mediante un editor de RNA, al anlisis, de
datos que al ser sometidos para el entrenamiento de una red previamente definida
sean generalizados con el fin de lograr la clasificacin/prediccin de los mismos.
Un requerimiento extra, que ofrece un valor agregado es el de la generacin de
reportes y la creacin de imgenes 2D. Tambin se incluy dentro del desarrollo de la
16
Vanse lo libros 4,5,10-14 de la Bibliografa.
59
aplicacin, la posibilidad para el usuario de normalizar datos de entrada/salida, esto

ltimo permite, realizado convenientemente, que la red comprenda los datos con ms
facilidad.
La aplicacin desarrollada deber ser til en la construccin, entrenamiento y
simulacin de redes de aprendizaje supervisado e hibrido17, por esta razn se
implementan dos de los ms utilizados algoritmos en la industria para la determinacin
de resultados en base a un entrenamiento con datos de muestra18.
3.4.
DESARROLLO
En la construccin del algoritmo bsico de aprendizaje del PMC, surgieron problemas,

puesto que la RNA no aprenda correctamente o se quedaba en mnimos locales, por
ello fue necesario implementar un algoritmo de mayor complejidad, que incluye un
momento en la actualizacin de los pesos, as como la posibilidad de elegir variadas
funciones de activacin en las diferentes capas.
En el desarrollo del algoritmo de aprendizaje y creacin de la red de base radial, se
decidi por el uso del algoritmo K-Medias para encontrar los centroides de los grupos
iniciales, as como la regla delta generalizada para hallar los pesos ideales de
conexin entre la capa de salida y la capa oculta.
El editor ya finalizado, permite adems crear una red con una serie de parmetros
propuestos por el usuario, o generar varias redes sugeridas de prueba. Permite revisar
los detalles de una red ya creada, cargar, borrar, guardar una red ya entrenada o en
blanco para ser utilizada en Matlab , Excel (como Macro), Delphi y/o Kylix. As
mismo permite borrar redes, cargar datos de entrenamiento y para simulacin desde
archivos de texto externos.
3.4.1.
Diagrama De Casos De Uso
Crear RNA
Actor
Propsitos
Usuario
Crear una RNA.
Por medio de este caso de uso el actor crea una RNA.

1. El actor especifica los parmetros de creacin de la RNA.
Flujo principal 2. El sistema crea la red neuronal de acuerdo a estos parmetros.
3. El sistema pone a disposicin del usuario la RNA creada.
Resumen
17
El aprendizaje hibrido comprende tanto aprendizaje supervisado como no supervisado en un

mismo tipo de red, como lo es en el caso de la red de funcin de base radial.
18
Ver en el capitulo 2 de este libro las referencias a las variadas tareas que pueden realizar
redes de este tipo.
60
1a: El actor cancela el proceso

El sistema regresa al mdulo principal.
Precondicin
Actor
Propsitos
Resumen
Flujo
principal
Ninguna
Generar RNA Sugeridas

Usuario
Producir una serie de RNA en base a parmetros suministrados.
Por medio de este caso de uso el actor puede generar una serie de
RNA sugeridas por el sistema de acuerdo a parmetros suministrados
por l.
1. El actor suministra los parmetros de creacin.
2. El sistema genera las RNA de acuerdo a los parmetros.
3. El sistema pone a disposicin del usuario las RNA creadas.
1a: El actor cancela el proceso

El sistema regresa al mdulo principal
Precondicin Ninguna
Cargar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Cargar una RNA.
Por medio de este caso de uso el actor puede cargar una RNA desde
un archivo vlido
1. El actor selecciona la ubicacin y el nombre del archivo.
2. El sistema crea una RNA de acuerdo a los datos almacenados en
el archivo.
3. El sistema pone a disposicin del usuario la RNA cargada.
1a: El actor selecciona un archivo no vlido.
El sistema cancela la operacin y retorna al mdulo principal.
1b: El actor cancela la operacin.

El sistema retorna al mdulo principal.
Precondicin Ninguna
Actor
Propsitos
Resumen
Flujo
principal
Guardar RNA
Usuario
Almacenar una RNA en un archivo vlido.
Por medio de este caso de uso el actor puede guardar en un archivo
la red seleccionada en cualquiera de los formatos disponibles.
1. El actor selecciona la RNA a guardar.
2. El actor suministra el nombre y el tipo del archivo.
61
3. El sistema guarda la RNA en un archivo vlido

2a: El actor cancela la operacin.
El sistema retorna al mdulo principal
Precondicin Debe haber por lo menos una RNA creada
Entrenar RNA
Usuario
Entrenar una RNA de acuerdo a los datos de entrenamiento
suministrados.
Por medio de este caso de uso el actor puede entrenar la RNA
Resumen
seleccionada con los datos especificados.
1. El actor selecciona la RNA.
2. El actor carga o introduce los datos de entrenamiento.
Flujo
3. El actor configura los parmetros de entrenamiento.
principal
4. El sistema entrena la RNA de acuerdo a los datos y parmetros
suministrados.
Debe haber por lo menos una RNA creada, unos datos de
Precondicin
entrenamiento y unos parmetros vlidos.
Actor
Propsitos
Simular RNA
Usuario
Simular una RNA de acuerdo a los datos de simulacin
suministrados.
Por medio de este caso de uso el actor puede simular la RNA
Resumen
seleccionada con los datos especificados.
2. El actor carga los datos de simulacin.
Flujo
3. El actor configura los parmetros de simulacin.
principal
4. El sistema simula la RNA de acuerdo a los datos y parmetros
suministrados.
Debe haber por lo menos una RNA creada, unos datos de simulacin,
Precondicin
y unos parmetros vlidos.
Actor
Propsitos
Actor
Propsitos
Resumen
Flujo
principal
Cambiar Nombre
Usuario
Cambiar el nombre a una RNA.
Por medio de este caso de uso el actor puede cambiar el nombre de
la RNA seleccionada.
2. El actor suministra el nuevo nombre de la RNA.
3. El sistema cambia el nombre de la RNA seleccionada.
2a: El actor suministra el nombre de una RNA existente.
El sistema cancela la operacin y regresa al mdulo principal.
62
2b: El actor suministra un nombre no vlido.

Precondicin Debe existir por lo menos una RNA creada.
Clonar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Clonar una RNA.
Por medio de este caso de uso el actor puede crear una RNA
exactamente igual a la seleccionada.
2. El actor suministra el nombre de la nueva RNA.
3. El sistema crea una RNA exactamente igual a la seleccionada.
4. El sistema pone a disposicin del actor la RNA clonada.
2a: El actor suministra el nombre de una RNA existente.
2b: El actor suministra un nombre no vlido.

Actor
Propsitos
Resumen
Flujo
principal
Inicializar RNA
Usuario
Inicializar una RNA.
Por medio de este caso de uso el actor puede inicializar los pesos y/o
centros de la RNA seleccionada.
2. El sistema espera la confirmacin por parte del actor.
3. El sistema inicializa la RNA seleccionada.

Eliminar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Eliminar una RNA.
Por medio de este caso de uso el actor puede eliminar la RNA
seleccionada.
1. El actor selecciona la red.
2. El sistema espera la confirmacin por parte del actor.
3. El sistema elimina la red de la lista.
63

Actor
Propsitos
Resumen
Flujo
principal
Generar Reporte
Usuario
Producir un reporte, en base a opciones seleccionadas por el actor.
Por medio de este caso de uso el actor puede generar un reporte de
acuerdo a las opciones seleccionadas por l.
2. Entre las opciones disponibles, el actor escoge el contenido del
reporte.
3. El actor suministra el nombre del reporte.
4. El sistema genera el reporte.
El sistema regresa al paso 2 del presente caso de uso.
Actor
Propsitos
Generar Grficas
Usuario
Producir una serie de grficas en base a datos simulados.
Por medio de este caso de uso el actor puede generar grficas

predefinidas producto de los datos simulados.
Flujo
2. El actor realiza una simulacin exitosa de la RNA.
principal
3. El sistema genera las grficas de acuerdo a los datos simulados.
Existencia de datos simulados, la RNA debe constar de 3 entradas y
Precondicin
4 salidas
Resumen
64
Figura 18. Diagrama de casos de uso
65
4.
4.1.
METODOLOGA
PLANTEAMIENTO DE LA METODOLOGA
Antes que cualquier RNA realice funcin alguna dentro de la aplicacin para la cual
fue construida, es vital tener la red adecuada, que vara segn el tipo. Muchas de las
personas que se inician en este campo recurren a una consecucin y entrenamiento
de las arquitecturas por ensayo y error, exponindose as a una posible equivocacin.
Es preferible tratar de ajustarse a un mtodo, que designe los principales puntos a
seguir para la escogencia de una red adecuada.
La metodologa debe cubrir y especificar el tipo y el nmero de los ensayos, la
cantidad de entradas, las variables de entrada del modelo, la cantidad de salidas, la
interpretacin de esas salidas, la cantidad de capas y las neuronas necesarias en
cada una de estas, el criterio para definir una red como suficiente, ya sea por una
tolerancia del error, por un nmero de iteraciones o por ciertos requisitos que durante
el proceso se cumplen.
Por distintas experiencias ocurridas durante el ciclo de anlisis, diseo y desarrollo del
software, adems de la gua que ofrecen nuestros tutores junto con la diferente
literatura consultada, se ha llegado a una convergencia de pensamiento en cuanto a la
metodologa adecuada, una metodologa que es intuitiva y que permite un hallazgo en
varias etapas.
Teniendo ya en Neuralyzer v1.0 un aplicativo flexible que nos permite generar distintas
arquitecturas dentro de las redes de tipo backpropagation y de funcin de base radial,
disponemos a detallar el proceso para la consecucin de una red adecuada, no solo
para la determinacin del patrn de flujo, sino que es til para todas aquellas
aplicaciones de clasificacin/prediccin en general. La metodologa consta de los
siguientes puntos (ver Figura 19 )
Adquisicin de los datos, proceso de normalizacin
Definir el nmero y el rango de entradas
Definir el nmero y rango de las salidas
Realizar normalizacin de las entradas/salidas de ser necesario
Prueba de las diferentes arquitecturas
Prueba para cada arquitectura con las redes sugeridas.
Realizar una afinacin en base a los resultados.
66
Adquisicin de datos
Definir el nmero y el
rango de las entradas
Definir el nmero y el
rango de las salidas
NO
Es necesario
un proceso de
normalizacin?
SI
Normalizar datos de
Entrada/Salida
Probar las diferentes

arquitecturas
Prueba para cada

arquitectura con las redes
sugeridas
Realizar una afinacin

en base a los resultados
NO
Es aceptable
su desempeo?
SI
FIN
Figura 19. Diagrama de flujo para la consecucin de una arquitectura de red

adecuada.
67
4.1.1.
Adquisicin De Los Datos, Proceso De Normalizacin
Es muy frecuente que no se tenga a disposicin todo el conjunto de datos que se

quiere someter a estudio, sino slo un subconjunto de estos. Como primera medida,
se debe asegurar que ste es representativo, y que no presente sesgos relevantes
que puedan perjudicar el entrenamiento. Por ejemplo, si el problema es de
clasificacin, en el conjunto de datos deben estar representadas todas las categoras,
si es de prediccin, se deben incluir valores continuos de todo el rango.
Hay que tener en cuenta en este punto que la RNA requiere alcanzar un grado de
generalizacin, por lo tanto no debe aprender de memoria todos los casos, sino que
teniendo algunos ejemplos de cada uno, sea capaz de determinar correctamente otro
que no haya visto antes en base a los que le fueron mostrados durante su
entrenamiento. Entendiendo por generalizacin la capacidad de la red de almacenar
las caractersticas que le son comunes a todos los patrones que fueron usados en la
etapa de entrenamiento.
19
Aplicando lo aconsejado por el mtodo de validacin cruzada (crossvalidation), el
conjunto de datos que se escoja debe ser dividido en dos partes, una parte
denominada conjunto de entrenamiento y otra llamada conjunto de test, es comn que
el conjunto de test sea aproximadamente el 10% del conjunto total. Como su nombre
lo dice, el conjunto de entrenamiento es con el que la red supervisada realiza el
aprendizaje, y el conjunto de test es con el que se simula la red para ver el grado de
generalizacin, entre ms bajo sea el error en este punto mejor ha generalizado la red.
La mejor red no es la que tenga el ms bajo error durante el entrenamiento, por esto
hay que tener en cuenta en qu punto el error de validacin pueda empezar a crecer,
separndose del error de entrenamiento, a partir de ese punto se produce un sobre
ajuste y la red aprende de memoria (ver Figura 21).
Unos de los usos ms comunes dentro del procesamiento de los datos son:
Escalamiento: se transforma el contenido de las variables dentro de un rango

de 0 a 1.
Anlisis de variables nominales: Transformacin de un valor categrico a un

valor numrico.
19
Introducido por T. M. Cover. Learning in pattern recognition. In Satoshi Watanabe, editor,

Methodologies of Pattern Recognition, paginas 111-132. Academic press, New York, 1969).
68
Figura 20. Error en el entrenamiento y error durante la validacin
4.1.2.
Definir El Nmero Y El Rango De Entradas/Salidas
El procesamiento (ver Figura 21) tanto de los datos de entrada como los de salida es
importante para evitar traumatismos en los pasos de construccin de la arquitectura
adecuada, ahorrando horas de trabajo y costos computacionales, as como mejoras
en la calidad de las interpretaciones de los mismos.
A continuacin las principales recomendaciones a tener en cuenta para las variables
de entrada/salida:
Realizar una definicin previa de las variables, (continuas y discretas).
Hay que evitar el uso de valores continuos para representar conceptos

simblicos, por ejemplo la representacin de los animales.
No representar los meses del ao del 1 al 12, categorizar de otra manera.
No confundir las entradas continuas con las entradas discretas, estado civil es
discreto (1 o 0), mientras que la temperatura es continua (0, 10, 15.5,
30,40.2).
No mezclar escalas (kilogramos con toneladas, metros con kilmetros, aos

con meses).
Evitar las variables con altas variaciones (mximos y mnimos), si es

necesario normalizarlas.
Usar como patrones de entrada los diferentes periodos en que puedan afectar
la salida (si es por meses, el promedio de cada mes y no los datos de cada
mes).
69
Entre mayor sea el numero de entradas, ms casos de entrenamiento

requiere, lo que puede conducir a arquitecturas complejas, altos costos
computacionales y difcil interpretacin de resultados.
Figura 21. Proceso de los datos para la entrada/salida en una red neuronal.
4.1.3.
Prueba De Las Diferentes Arquitecturas
Neuralyzer v1.0 otorga dos opciones de RNA para experimentar, PMC y de funcin de
base radial, ambas son paralelas, es decir, lo que se implementa en backpropagation,
se implementa en base radial, y viceversa. Aprovechando esta situacin, es posible
construir y probar modelos simultneamente en ambos tipos de redes. Sometindolas
a los posteriores anlisis para observar cul se comporta mejor.
Tanto el PMC como la de funcin de base radial presentan sus ventajas y
desventajas, las principales son ilustradas en la Tabla 6. Por esta razn depende de la
experiencia del usuario, as como la cantidad de datos disponibles y la calidad de los
mismos.
CRITERIO
Tamao
PMC con Backpropagation

Menor o igual que la de funcin
de base radial
Costo computacional
Tiene menor costo

computacional que la de base
radial
Capas
Desde dos capas en

adelante(aunque se aconseja
que no sea mayor a 4)
70
BASE RADIAL
Igual o mayor a la
backpropagation
Requiere una mayor
cantidad de clculos,
al ser de mayor
tamao
Siempre 3, una capa
de entrada, una
oculta y una de salida
Aprendizaje
Supervisado
Entrenamiento
Hay que cuidar que no se

sobre-ajuste la red
Hibrido (no
supervisado en la
capa oculta y
supervisado en la
capa de salida)
No hay problemas de
sobre-ajuste
Tabla 6. Comparacin del PMC con la de funcin de base radial

4.1.4.
Prueba Para Cada Arquitectura Con Las Redes Sugeridas
4.1.4.1
Para PMC Con Algoritmo Backpropagation
Al igual que se ha dicho que la red con el error ms bajo durante el entrenamiento no
siempre es la que mejor se desempea, as mismo se puede decir, con los PMC, a
que la red ms grande no es la que mejor aprende. La determinacin de las neuronas
adecuadas y de las capas adecuadas debe estar de acuerdo a previos estudios del
desempeo que han tenido cada una de las arquitecturas, por esta razn, es
recomendable, en el caso de los PMC, que se construyan diversos prototipos de
redes, con algunos criterios de gua para su construccin:
Asumir que el nmero de neuronas en la capa oculta sean menos de la mitad

de la suma del nmero de entradas ms el de las salidas.
Con tres capas las redes backpropagation aproximan la mayora de las

funciones, con cuatro se estima que las aproxima todas, por lo tanto no es
aconsejable que utilice ms de cuatro capas.
Ya sabe que el nmero de neuronas en la capa de entrada es igual a las

entradas, y que el nmero de neuronas en la capa de salida es igual a las
salidas, por lo tanto puede tener en cuenta la regla N > W/E, donde N es la
cantidad de ejemplos de entrenamiento, W la cantidad de nodos ocultos y E el
error deseado.
La tasa de aprendizaje varia comnmente entre 0.01 y 10, pero la ms usada

es 0.1
4.1.4.2
Para Base Radial
Para la red de funcin de base radial los criterios varan. Este tipo de red no sufre de
sobreentrenamiento, pero tiene mayor costo computacional, requiere mayor nmero
de neuronas que el PMC para realizar la misma labor, sin embargo su aprendizaje es
ms rpido.
Se presenta la maldicin de la dimensionalidad que indica que el tamao de la red
aumenta exponencialmente con respecto a los casos que debe resolver. Cuando sea
71
posible se recomienda colocar tantas neuronas en la capa oculta como ejemplos de

entrenamiento hayan, sin embargo, debido a que la cantidad de ejemplos puede llegar
a ser considerable se debe tener cuidado al construir una red de tamao excesivo, por
que su entrenamiento puede llegar a ser inviable.
4.1.5.
Realizar Una Afinacin En Base A Los Resultados
Teniendo ya preseleccionadas un nmero razonable de redes, usualmente 10 redes

entre uno u otro tipo, y teniendo ya claro cules requisitos mnimos debe cumplir la red
o redes ganadoras, se comienza el proceso de afinacin, que consiste en realizar
variaciones relativamente pequeas alrededor de los parmetros de cada red, nmero
de neuronas, taza de aprendizaje, nmero de iteraciones, con el fin de encontrar una
que se ajuste an mejor que las que ya existan. Este proceso es iterativo, y termina
cuando se cumplan los requisitos propuestos para la red.
4.2.
APLICACIN DE LA METODOLOGA
La determinacin del patrn de flujo con ayuda de una red neuronal, sirve de caso de
estudio para poner en prctica la metodologa que permita descubrir que arquitectura
es la que ms se adapta a este fin.
4.2.1.
Adquisicin De Datos
El total del conjunto de datos que se poseen para realizar el estudio provienen de
casos de estudio hipotticos obtenidos de la literatura. Los datos poseen la
informacin de las variables de la Tabla 7:
VARIABLE
qosc
qwsd
qgsc
T
Sal
Gg
Tsep
NOMBRE
Caudal de
aceite
Caudal de
agua
Caudal de gas
Temperatura
en cabeza
Presin
promedio del
fluido en el
segmento de
tubera
Salinidad del
agua
Gravedad
especifica del
gas libre
Temperatura
72
UNIDADES
BOPD
BWPD
SCFD
F
Psia
Ppm
Adimensional
F
Gsep
Psep
API
en el
separador
Gravedad
especifica del
gas en el
separador
Presin en el
separador
Gravedad API
del aceite a
60F
Adimensional
Psia
API
Tabla 7. Variables pertenecientes al conjunto de datos

A estos datos se les realiza un tratamiento para llegar a definir un patrn de flujo
consistente, con el fin de reunir ejemplos para el entrenamiento, prueba y verificacin,
esta determinacin del patrn de flujo se realiz con el mtodo de Beggs & Brill, ya
descrito, que propone cuatro patrones de flujo, distribuido, intermitente, segregado y
transicin. Para esto, el mtodo se apoya en las velocidades superficiales de las fases
denotadas como Vso, velocidad superficial del aceite, Vsg, velocidad superficial del gas
y Vsw, velocidad superficial del agua. Puesto que estas variables son obtenidas
despus de una compleja sucesin de ecuaciones (ver Tabla 8), en las que se tienen
en cuenta todos los parmetros que estn contenidos en los datos iniciales, son
elegidas para ser las variables de entrada a la red.
VARIABLE
MTODO DE CALCULO
AUTOR
Viscosidad Gas
Viscosidad Aceite
Viscosidad Agua
Z gas
Densidad gas
Densidad aceite
Densidad agua
Factor volumtrico del
gas
Factor volumtrico del
aceite
Velocidad superficial
del liquido
Velocidad superficial
del gas
Velocidad superficial de
la mezcla
Numero de froude
Directo, correlacin
Directo, correlacin
Directo, correlacin
Directo, correlacin
Directo
Directo, balance
Directo, correlacin
Lee, Gonzles y Eakin

Andrade
McCain
Standing
Ecuacin de estado
Standing
Beggs
Directo, correlacin
Ecuacin de estado
Directo, correlacin
Vasquez-Beggs,
Standing
Directo, ecuacin
Directo, ecuacin
Directo, ecuacin
Directo, correlacin
Tabla 8. Variables del patrn de flujo[20]
73
4.2.2.
Definicin De Entradas/Salidas
Teniendo como variables de entrada de la red las velocidades superficiales, se

especifica el rango que van a manejar estas velocidades, que segn los datos
obtenidos tienen un valor mximo de 29 y un valor mnimo de 0, siendo un rango
manejable, por no presentar valores extremos ni escala muy grande, se puede
prescindir de la normalizacin.
Se procede a realizar un estudio de la salida de la red. La determinacin del patrn de
flujo en una tubera, es una cualificacin que ilustra una distribucin de las fases
dentro de esta, por lo tanto la salida est en funcin del grado de pertenencia de la
entrada a cada uno de los grupos predeterminados por el usuario. Dichos grupos,
tomando como base el estudio de Beggs & Brill, son segregado, transicin,
intermitente y distribuido, que para efectos de representarlos en la salida de la red,
pueden ser caracterizados de la manera que se ilustra en la Tabla 9.
PATRN DE FLUJO
Segregado
Transicin
Intermitente
Distribuido
Salida 1
1
0
0
0
REPRESENTACIN EN LA SALIDA
Salida 2
Salida 3
Salida 4
0
0
0
1
0
0
0
1
0
0
0
1
Tabla 9. Representacin de las salidas de la red neuronal
En total son 1500 datos en los cuales hay ejemplares de cada uno de los patrones
propuestos por Beggs & Brill. Para la eleccin del conjunto de datos con los que se
probar y entrenar la red se agruparon los datos de acuerdo a cada una de las
clasificaciones, y se les orden de menor a mayor, segn los valores, tomando una
muestra aleatoria de los elementos a lo largo del cuerpo de datos. De este muestreo
se recogieron en total 192 datos, cerca del 12.8% del total, de los cuales se asigna el
30% a testeo de la red y el otro 70% a entrenamiento.
4.2.3.
Prueba De Las Diferentes Arquitecturas/Afinacin De Redes
Una vez reunidos los datos de entrenamiento y prueba, se disponen los requisitos a
superar por parte de la red o redes para que sean tenidas en cuenta como adecuadas,
en esta oportunidad, el nico requisito que se impone es que el error de
generalizacin, que es medido con los datos de test, debe ser menor o igual al 5%.
4.2.3.1
Para PMC Con Algoritmo Backpropagation
Se procede a generar una serie de redes auto sugeridas, inicialmente bajo el modelo
backpropagation. Se realizan 100 iteraciones con una tasa de 0.02 y un momento de
0.8, con el fin de observar cuales son las que tienen un descenso ms pronunciado en
74
el error, se escogen las tres que tengan el error ms bajo. A continuacin se inicia un
proceso iterativo, en el que tres ganadoras sufren pequeas variaciones en el numero
de neuronas, sumando o restando 1 2 neuronas a la capa oculta, aumentando o
disminuyendo la tasa de aprendizaje en un factor de 10 y subiendo y bajando el
momento en un factor de 10, en cada ciclo se escogen las mejores y se continua el
proceso. Una vez terminado este ciclo, se contina el proceso, inicializando y
entrenando completamente las redes.
Despus de este proceso de bsqueda de la PMC ms adecuada, se llega a una
arquitectura, mostrada en la Figura 22, con 3 neuronas en la capa de entrada, 4 en la
capa de salida y una capa oculta con solo 4 neuronas, para un error de entrenamiento
de 2.82% y un error de generalizacin de 1.75% satisfaciendo el criterio de bsqueda.
Segregado
Vso
Transicin
Vsg
Intermitente
Vsw
Distribuido
Entrada
Oculta
Salida
Figura 22. Arquitectura final PMC para determinar el patrn de flujo
75
4.2.3.2
Para Base radial
A priori se sabe que la red de funcin de base radial de mejor comportamiento es la

que tiene tantas neuronas en la capa oculta como casos de entrenamiento, por lo
tanto se inicia la bsqueda con 3 neuronas en la capa de entrada, 135 neuronas en la
capa oculta y 4 neuronas en la capa de salida.
En un proceso iterativo, hasta que se cumpla el criterio propuesto, se inicia con 10
redes idnticas, una tasa de aprendizaje con variaciones alrededor de 0.02, y
escogiendo siempre las de mayor pendiente descendiente de error. Despus de este
proceso se obtiene una red con un error de entrenamiento de 1.23% y un error de
generalizacin de 3.5% satisfaciendo el criterio de bsqueda. La arquitectura final se
muestra en la
Figura 23.
Segregado
Vso
Transicin
Vsg
Intermitente
Vsw
Distribuido
Entrada
Oculta
Salida
Figura 23. Arquitectura final Base Radial para determinar el patrn de flujo
76
5.
COMPARACIN Y GRFICOS
Para la realizacin de la comparacin y los grficos de la herramienta Neuralyzer v 1.0

se tomaron 10 pozos hipotticos, con caractersticas individuales que se pueden
apreciar en la Tabla 10, todas las tuberas de transporte, en este caso, son de 3
pulgadas.
Nombre
Pozo1
Pozo2
Pozo3
Pozo4
Pozo5
Pozo6
Pozo7
Pozo8
Pozo9
Pozo10
Gg
0.7858
Gsep
Tsep
Psep
150
150
0.7858
Sal
28000
100
100
API
20.5
13.8
19.8
21
23.4
21.4
21.8
20.5
21
21
T
99.5
93
113.2
97.6
103.4
97.6
123.4
106.4
118.1
96.6
P
75
77
150
133
111
89
113
60
60
61
Tabla 10. Propiedades de los pozos, segn los parmetros requeridos en la Tabla 7
Para realizar el anlisis de resultados, slo se utilizar una red de las desarrolladas en
el captulo anterior, la que present mejor comportamiento de acuerdo a los
porcentajes de error, que en este caso, es el PMC. Para realizar el comparativo con
HYSYS 3.2, se realiza un modelo simple de tubera.
Figura 24. Diagrama del modelo realizado en HYSYS
77
5.1.
POZO 1
Este pozo cuenta con 524 registros.
78
Como se puede observar el resultado en ambas herramientas dio como resultado el

patrn de flujo transicin.
79
5.2.
POZO2
80

patrn de flujo segregado.
81
5.3.
POZO3
82

83
5.4.
POZO4
84

85
5.5.
POZO5
86

En esta oportunidad, y causado probablemente por las tasas cercanas a lmites entre
transicin e intermitente, el resultado de simulacin de HYSYS (transicin) difiere del
resultado arrojado por la red (intermitente).
87
5.6.
POZO6
88

89
5.7.
POZO7
90

91
5.8.
POZO8
Este pozo tiene 241 registros.
92

93
5.9.
POZO9
94

95
5.10. POZO10
96

97
Nombre de la facilidad
Pozo1
Pozo2
Pozo3
Pozo4
Pozo5
Pozo6
Pozo7
Pozo8
Pozo9
Pozo10
HYSYS
PMC
Transicin Transicin
Segregado Segregado
Transicin Transicin
Segregado Segregado
Transicin Intermitente
Segregado Segregado
Segregado Segregado
Transicin Transicin
Intermitente Intermitente
Transicin Transicin
Tabla 11. Comparacin de resultados de Hysys Vs PMC

Como resultado final, de los 10 pozos, slo en el pozo 5 se present una diferencia,
pero la misma fue por lo cercano de las tasas a los lmites entre transicin e
intermitente. A pesar de eso, se puede concluir que la arquitectura de RNA de tipo
PMC con algoritmo backpropagation cumple con exactitud el cometido de la
determinacin del patrn de flujo, con menos de 200 registros de entrenamiento la
RNA realiz una generalizacin correcta por encima del 90%.
98
6.
CONCLUSIONES
El software representa un adelanto en el estado del arte del flujo multifsico,

porque adems de utilizar tecnologas emergentes, aprovecha los datos de
produccin disponibles, para lograr mayor exactitud, y facilitar el anlisis
global de la tubera bajo estudio.
La metodologa desarrollada, inspirada en algoritmos genticos, facilit la

bsqueda de la arquitectura de RNA apropiada, evitando un proceso de
prueba y error con su consiguiente desgaste.
Aunque las arquitecturas desarrolladas cumplieron los requisitos propuestos

en la metodologa, la red PMC con algoritmo backpropagation super la de
base radial, en cuanto a volumen y capacidad de generalizacin.
Comparado con Hysys 3.2, Neuralyzer v1.0 mostr mayor versatilidad y

facilidad de uso, ahorrando tiempo y dinero.
La herramienta desarrollada queda con la facultad de migrar hacia otro tipo de

problemas, tanto del petrleo como de cualquier otro campo del conocimiento
al que le sea til un modelamiento de aproximacin basado en un conjunto de
datos.
Pese a que los registros disponibles para este trabajo son hipotticos, se logra
un modelo efectivo para la determinacin del patrn de flujo. Se puede
asegurar que, con datos reales de campo y un conjunto ms grande de
entrenamiento, el sistema es factible, con resultados satisfactorios.
99
7.
RECOMENDACIONES
Implementar una bsqueda inteligente de arquitecturas de RNA.
Implementar ms tipos de RNA.
Ampliacin del estudio hacia el comportamiento del patrn de flujo en tuberas

inclinadas y verticales.
Realizar un mdulo visual en el que se facilite la construccin de un campo

petrolero completo, para modelar el flujo en el total de las tuberas del sistema
de facilidades.
Explorar otras aplicaciones de las RNA en el petrleo. Estas tecnologas, con

un pre-procesamiento y un post-procesamiento adecuado, pueden modelar
procesos con relativa facilidad, comparados con las herramientas analticas
disponibles.
100
8.
8.1.
ANEXO 1: MANUAL DE USUARIO
INTRODUCCIN
Desde aqu se le orientar para que maneje el aplicativo arrancando desde cero. Para
esto es necesario que usted tenga fundamentos en redes neuronales artificiales, y
conozca las ventajas y desventajas de trabajar con uno u otro tipo de red.
Una de las utilidades de este software es permitirle manipular mltiples arquitecturas
prototipo antes de llegar a la que se acerque a la generalizacin que quiera conseguir,
quiz le ayude el Qu puede hacer?.
La ltima finalidad de este producto, es permitirle una mejor, cmoda y ms fcil
herramienta para encontrar la arquitectura de red que ms se ajuste a las necesidades
de su modelo, para esto siga las recomendaciones.
8.1.1.
Qu Puede Hacer?
Neuralyzer en su primera versin trata de ser lo ms til posible para el usuario, con
varios extras en su ejecutable, el usuario puede permitirse un anlisis documentado
de sus datos y de las redes creadas para su estudio.
Con Neuralyzer V.1 puede:
Crear una red neuronal de PMC con algoritmo backpropagation o de

funcin de base radial.
Autogenerar una serie de redes sugeridas.
Cargar datos para el entrenamiento de la red desde un archivo de texto

con dos opciones avanzadas, normalizacin y escogencia de
entradas/salidas, pudiendo reservar de ese conjunto de datos un
porcentaje para realizar pruebas durante la ejecucin, as como la
oportunidad de asignar un nombre a las variables.
Realizar el entrenamiento de cualquier red neuronal ya creada, con

parmetros cambiantes como los ciclos de entrenamiento, la taza de
aprendizaje y el momentum, pudiendo detener este entrenamiento en
cualquier momento.
Entrenar as mismo la red con las velocidades superficiales de las fases,

pero incluyendo solo los datos de los caudales diarios y llenando un
formulario para que Neuralyzer calcule estas velocidades por usted.
101
Simular cualquier red neuronal ya creada, cargando los datos de prueba

desde un archivo de texto, que le permiten mayor flexibilidad al usuario,
normalizandolos si lo necesita, exportar estos datos a excel para que
pueda trabajarlos ms cmodamente.
Acciones como guardar , cargar, clonar, Cambiar el nombre, inicializar,

mostrar los detalles y borrar estn activas para cada red.
Generacin de reportes en los que se pueden incluir datos de simulacin,

graficas en 2D, generalidades y especificaciones de la red neuronal, estn
disponibles para los usuarios.
8.1.2.
Recomendaciones
Para un ptimo desarrollo del programa, es necesario que tenga en cuenta las
siguientes recomendaciones antes de empezar a trabajar:
8.2.
Debido a la naturaleza de las RNA, el sistema requiere de un buen

desempeo del computador durante su ejecucin, por lo tanto, trate en lo
posible de no utilizar programas que puedan obstaculizarlo, especialmente
en el uso de la unidad de procesamiento.
Para las PMC, el aplicativo trae habilitadas hasta seis capas, sin embargo
por experiencia se sabe que para casi todos los modelamientos, una red
con mximo cuatro capas es ms que suficiente.
Entre ms neuronas hayan en una arquitectura, ms demorar el sistema

en cada ciclo de entrenamiento, lo mismo pasa cuando los datos de
entrenamiento son excesivos, por tanto se recomienda ser consecuentes
con estas variables y estudiar bien los modelos a proponer para evitar que
el entrenamiento, simulacin y generacin de reportes sean tediosos.
Cuando tenga arquitecturas que le han dado resultado, no olvide

guardarlas, estas le servirn ms adelante como guas para la afinacin
del modelo.
Tenga en cuenta que cada computador tiene definido su operador

separador decimal, por lo tanto asegrese de seleccionar el correcto para
sus datos antes de empezar a trabajar.
DESDE CERO
En este tutorial se muestran todas las posibilidades que como principiante en el uso
de Neuralyzer debe conocer. En los siguientes pasos, aprender a manejar el
software de una manera grafica, sencilla y prctica.
A continuacin se listan las opciones principales del sistema:
102
Crear
Salvar
Cargar
Entrenar
Simular
8.2.1.
Cmo Crear?
Para crear una RNA, hay que tener primero en claro:
Cuntas entradas y cuantas salidas va tener la red?
Cul va a ser el rango que van a manejar?
Hay que normalizar las entradas o no?
Qu tipo de modelo se quiere realizar?, ejemplo: predictivo, clasificador

...
Despus de contestadas estas dudas, hay dos opciones para la

generacin de la red, por medio del autogenerar, o por el formulario de
creacin de red.
Figura 65. Opciones para la creacin de redes
8.2.1.1
Creando Una Red Neuronal
Despus de tener una buena idea de lo que va entrar a la red y cul es la salida, se
ejecuta e comando crear red en el men red neuronal. Inmediatamente luego de llenar
103
un sencillo formulario, el sistema le permite ver un diagrama previo de la arquitectura

de la red en fabricacin.
Figura 66. Detalles de la red
8.2.1.2
Autogenerando Redes
Seleccionando la opcin autogenerar en el men red neuronal aparece la ventana que

se muestra en la ilustracin, esta permite la generacin en serie de redes sugeridas
para iniciar un estudio que introduzca a la solucin de la arquitectura ptima para el
problema.
Figura 67. Caja de dilogo para autogeneracin de redes
8.2.2.
Cmo Salvar?
Para salvar las redes ya creadas esta la opcin Guardar en el men Red neuronal all
va tener varias opciones de salvado, entre las que cuentan:
104
Como archivo .m de Matlab
Como cdigo fuente para Delphi y Kylix dentro de un .pas
Como archivo .rna para ser utilizado por Neuralyzer.
Como Macro de Microsoft Excel
Seleccionando la opcin Guardar red del men red neuronal se llega a la conocida
ventana de guardar archivo como, en la parte inferior se encuentran las opciones
anteriormente nombradas. Solamente se selecciona la adecuada y se oprime en
guardar, el archivo as guardado queda listo para ser utilizado con su respectivo
software.
Figura 68. Salvando una red
8.2.3.
Cmo Cargar?
En la opcin cargar red del men red neuronal, se encuentra el dilogo de cargar red
neuronal, aqu el sistema carga redes salvadas con el formato .rna
105
8.2.4.
Entrenamiento
El entrenamiento es el proceso de ms cuidado en la construccin de un modelo

basado en redes neuronales, el rango de las entradas, las entradas irrelevantes, un
conjunto de entrenamiento parcializado o mal escogido, en fin, mltiples variables que
hay que tener en cuenta si no se quiere perder valioso tiempo en analizar datos
fallidos y en construir, escoger y entrenar nuevos prototipos de red. Es por esto que
antes de poner a entrenar cualquier red, es necesario analizar si el conjunto de
entrenamiento realmente aporta a un generalizacin o si simplemente son datos
sesgados, muy extremos, demasiado pocos o en determinados casos demasiados
datos.
Una ayuda que quiz le pueda servir es el subconjunto de test, que no es sino un
porcentaje que usted asigna al cargar los datos y que permite conocer el estado de la
generalizacin por medio del error que se obtiene al evaluar el conjunto de test en
cada iteracin. As mismo la normalizacin es un concepto que se puede aplicar con
mucho xito en los datos de entrada de la red neuronal.
Figura 69. Opcin de reserva para realizar test.
Hay que tener en cuenta los diferentes parmetros ubicados en la parte superior y que
de ellos depende tambin la duracin y la calidad del entrenamiento. Es por esto que
el usuario debe comprender el efecto que cada parmetro, iteraciones, tolerancia de
error, momentum y tasa de aprendizaje, producen en el entrenamiento de la red.
106
Figura 70. Parmetros de entrenamiento
Hay que tener en cuenta que el entrenamiento se puede detener en cualquier

momento, ya sea por su extensa duracin, por que consume ms recursos de los
debidos, o simplemente porque se considera que alcanzo un estado ideal de
entrenamiento, el botn Detener se activa una vez comienza el entrenamiento y se
desactiva cuando ste termina.
Figura 71. Botn detener entrenamiento
8.2.5.
Simulacin
En simulacin, se cargan los datos de test desde archivo, y paso siguiente, se

selecciona la red a simular, en este punto se activa el botn Simulacin,
inmediatamente las casillas de salida se rellenan con los datos obtenidos por la
simulacin de la red seleccionada, no olvide que tambin puede normalizar las
entradas antes de realizar la simulacin.
107
Figura 72. Empezar la simulacin de los datos
8.3.
AVANZADAS
Estas funciones no son vitales para el manejo, la generacin y experimentacin con

redes en el Neuralyzer, sin embargo, facilitan en buena medida la experimentacin
con las redes. Estas funciones son puestas a su consideracin en los siguientes
apartes:
8.3.1.
Edicin.
Normalizacin.
Entradas/Salidas
Convertir Caudales
Exportar a Excel
Reportes
Grficas en 2D
Separador decimal
Normalizacin
Se tiene este mdulo experimental de normalizacin de entradas y salidas, con el fin

de experimentar temporalmente si tiene xito en la convergencia de la red o si
simplemente no aporta mucho a la red, por tanto se puede ingresar el conjunto sin
normalizar.
Esta normalizacin aplica solamente mientras los datos estn cargados en el sistema
y de ninguna manera afectan el archivo desde donde fueron cargados. Para que la
normalizacin sea permanente, se debe editar directamente el archivo que contiene
los datos.
108
Figura 73. Opcin para la normalizacin de datos

Al presionar el botn normalizacin que se habilita cuando una red es cargada o
creada, y hay datos vlidos cargados, ya sea en simulacin o en entrenamiento,
aparece una ventana que ofrece la opcin de realizarla de dos maneras diferentes.
Figura 74. Normalizacin producto
En la primera, se realiza el producto de la entrada y/o salida por un nmero natural, la

segunda realiza la normalizacin con el criterio Max-Min que cumple con la siguiente
formula:
109
(valor_actu al min_actual ) (
nuevo_valo r =
[ nuevo_max nuevo_min )+ nuevo_min ]
(max_actual min_actual )
Figura 75. Normalizacin Max-Min
8.3.2.
Edicin
Al oprimir el botn derecho del ratn sobre alguna red neuronal, en la lista de redes en
el frame izquierdo de la ventana principal, aparece un men, accesible tambin por
medio de la opcin edicin en el men Red neuronal, desde este men se pueden
realizar acciones como mostrar los detalles de la red, Cambiar el nombre, Inicializar,
clonar, y borrar la red seleccionada.
Figura 76. Opciones para edicin de redes
110
8.3.2.1
Detalles
Los detalles de cada una de las redes son mostrados ac, el cambio de red para
visualizar se realiza por medio de un combo box situado en el margen superior
izquierdo de la ventana de dilogo, resaltado en la ilustracin.
Figura 77. Caja de dilogo para los detalles de la red
8.3.2.2
Cambiar nombre
El nombre de la red puede ser cambiado, para efectos de mejor comprensin y orden,
el sistema por defecto asigna un nmero consecutivo a cada red generada
manualmente y un nmero aleatorio a cada red autogenerada.
Figura 78. Cambio de nombre de la red
111
8.3.2.3
Inicializar
La inicializacin es muy til para tener una nueva oportunidad de entrenar redes, tanto
backpropagation como de funcin de base radial. Se utiliza principalmente para
aquellas redes que han quedado atrapadas en un mnimo local, o simplemente han
quedado mal entrenadas, y se desea aplicar un nuevo entrenamiento. Aplicar la
inicializacin es equivalente a borrar y crear una nueva red con las mismas
caractersticas.
8.3.2.4
Clonar
Si determinada red es favorita para realizar varios experimentos, se le puede clonar

mediante esta instruccin, de modo que queda una replica exacta y en las condiciones
en las que se encontraba justo antes de clonarla. El formulario que aparece en el
sistema slo exige el nuevo nombre de la red.
Figura 79. Clonacin de una red
8.3.2.5
Borrar
Para liberar espacio y para eliminar aquellas redes que definitivamente no sirven, o
son desechadas por su pobre desempeo, existe la opcin de borrar la red, pidiendo
antes una confirmacin de la accin para evitar el borrado por accidente.
8.3.3.
Entradas/Salidas
Un conjunto de entrenamiento no necesariamente est sujeto a que las salidas sean

siempre las ltimas de la fila, aqu es posible escoger que columnas son entradas y
que columnas son salidas, para esto oprima el botn localizado en la pestaa de
carga de datos, que se habilita cuando hay una red.
112
Figura 80. Botn para activar la caja de dilogo de entradas/salidas
Despus de seleccionar la opcin, aparece una caja de dilogo que permite la

eleccin de las entradas y las salidas.
Figura 81. Caja de dilogo de entradas salidas
As mismo es posible asignar nombres a las variables, para permitir una mayor
comprensin de las entradas y las salidas de la red, esta opcin esta disponible
haciendo click sobre la caja de texto donde se encuentre la variable escogida.
113
Figura 82. Edicin del caption de las entradas y/o salidas
8.3.4.
Convertir Caudales
Dentro de Neuralyzer v 1.0 es posible introducir los datos de los caudales diarios
producidos por un pozo, y llenando un sencillo formulario con los principales datos del
mismo, se calculan las velocidades superficiales para alimentar la red que se va a
entrenar con los mismos.
Figura 83. Opcin de convertir caudales
8.3.5.
Datos De La Facilidad
Con los datos de este formulario se realizan una serie de clculos, junto con los
caudales diarios del pozo para dar como resultado las velocidades superficiales.
114
Figura 84. Formulario de obtencin de datos de tubera
8.3.6.
Exportar Datos A Excel
Con los datos de simulacin es necesario muchas veces seguir un trabajo de

interpretacin, en el que se le realizan operaciones, es por esto que esta opcin se
activa cada vez que se realiza una simulacin, para permitir un cmodo trabajo en
Excel.
Figura 85. Botn para exportar a Excel los datos de simulacin
115
8.3.7.
Reportes
Los reportes son de mucha utilidad para la documentacin y seguimiento del proceso
de creacin y afinacin de la red neuronal. Dentro del men Resultados seleccione la
opcin Reportes
Figura 86. Opcin para la generacin de reportes

Aparece entonces una ventana que le pide que datos quiere que entren en el reporte.
Despus, solo acciona aceptar y el reporte es generado.
Figura 87. Caja de dilogo para la elaboracin del reporte
116
8.3.8.
Grficas En 2D
Las grficas son de mucha utilidad a la hora de realizar los anlisis, es por esto que
existe la opcin de verlas en Neuralyzer v1.0
Figura 88. Opcin para ver las graficas generadas

Una serie de grficas le ilustran mejor lo que esta sucediendo con el pozo.
117
Figura 89. Grficas generadas de acuerdo a los datos suministrados
8.3.9.
Separador Decimal
Cada computador puede tener su separador decimal en coma (,) o en punto (.) lo que
hace difcil la exportacin/importacin de los datos, afortunadamente en la opcin
Separador decimal del men configuracin se puede seleccionar el operador de
separacin decimal.
118
Figura 90. Men operador decimal
119
9.
ANEXO 2. ANLISIS DE LOS ALGORITMOS IMPLEMENTADOS EN

NEURALYZER
Para efectos de medicin de la eficiencia de los algoritmos de entrenamiento para las

redes neuronales artificiales implementadas en Neuralyzer V1.0, tipo perceptrn
multicapa con algoritmo de aprendizaje backpropagation y red de funcin de base
radial, se proponen como parmetros de medicin:
Numero de iteraciones
Error de generalizacin (definido como la evaluacin de un conjunto de datos
entrada/salida que la red nunca ha visto y se califica como el promedio de las
diferencias entre la salida deseada y la salida obtenida)
n = nmero de datos
1
2
E=
(Yi Di ) Donde: Yi = Salida i obtenida
2n
Di = Salida i deseada
Tiempo de ejecucin durante el entrenamiento

Caractersticas de la red:
o Para PMC:
Nmero de capas (incluyendo la de entrada y la de salida)
Neuronas en la capa oculta
o Para redes de funcin de base radial:
Nmero de neuronas en la capa oculta
Para la comparacin se va a utilizar el software MATLAB 6.5, instalado junto con

Neuralyzer en un equipo Pentium 4 de 2.8GHz y 512MB de RAM.
Con los casos propuestos se trata de cubrir en su mayora los usos que se le dan a las
redes de tipo clasificatorio. Los casos de evaluacin van a ser los siguientes:
Compuerta AND de 3 entradas

Compuerta XOR de 3 entradas
Sumador Binario
Interpolacin de la ecuacin Y=3X/4+2
Clasificador de nmeros pares
Determinacin del patrn de flujo Multifsico
Compuerta AND
No existen para la red datos no vistos, es decir la evaluacin se hace en este caso a
partir del error de entrenamiento arrojado por el sistema. El conjunto con el que se
entrena la red es el siguiente:
Entrada 1
0
Entrada 2
0
Entrada 3
0
120
Salida
0
0
0
0
1
1
1
1
0
1
1
0
0
1
1
1
0
1
0
1
0
1
0
0
0
0
0
0
1
Compuerta XOR de 3 entradas

partir del error de entrenamiento arrojado por el sistema. El conjunto con el que se
entrena la red es el siguiente:
Entrada 1
0
0
0
0
1
1
1
1
Entrada 2
0
0
1
1
0
0
1
1
Entrada 3
0
1
0
1
0
1
0
1
Salida
0
1
1
0
1
0
0
1
Sumador Binario
Este caso funciona de la siguiente manera:
partir del error de entrenamiento arrojado por el sistema. Dos registros de 2 bits cada
uno, la salida es un registro de 3 bits con la suma de los registros de entrada.
Los datos totales son:
Registro 1
Bit 1
Bit 2
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
1
1
0
1
0
1
0
Registro 2
Bit 1
Bit 2
0
0
0
1
1
0
1
1
0
0
0
1
1
0
1
1
0
0
0
1
1
0
121
Bit 1
0
0
0
0
0
0
0
1
0
0
1
Salida
Bit 2
0
0
1
1
0
1
1
0
1
1
0
Bit 3
0
1
0
1
1
0
1
0
0
1
0
1
1
1
1
1
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
0
1
1
1
0
1
0
0
1
1
1
0
1
0

Hay una entrada de nmeros reales, y la salida es un valor continuo que aproxima la
funcin Y=3X/4+2
Se colocan los siguientes datos de entrenamiento:
Entrada
1
3
5
7
9
Salida
2.75
4.25
5.75
7.25
8.75
Los datos de test son los siguientes:

Entrada
2
8
10
Salida
3.5
8
9.5

Las entradas de este caso son nmeros binarios de 4 bits, una salida que aproxima a
uno los valores pares y a cero los valores impares.
Los datos de entrenamiento son:
Nmero
Bit 1
0
0
0
0
0
1
1
1
1
Bit 2
0
0
0
1
1
0
0
1
1
Bit 3
0
1
1
0
0
1
1
0
0
122
Bit 4
1
0
1
0
1
0
1
0
1
Salida
Par/Impar
0
1
0
1
0
1
0
1
0
1
1
1
1
1
1
0
1
1
0
Bit 3
1
1
0
0
Bit 4
0
1
0
1
Salida
Par/Impar
1
0
1
0
Los datos de test son los siguientes:

Nmero
Bit 1
0
0
1
1
Bit 2
1
1
0
0

La determinacin del flujo multifsico, por su complejidad, requiere de los siguientes
datos de entrenamiento.
Vs Aceite
0.137716822
0.142020473
0.146324123
0.150627774
0.176449678
0.180753329
0.197967931
0.241004438
0.30468017
0.344292055
0.348679759
1.269741074
0.085654435
0.09725332
0.019386294
0.006417419
0.124070098
0.057078277
0.051860863
0.005482401
0.072730747
0.00469896
0.022155765
0.003426177
0.047005624
0.074390722
0.019876714
0.081613791
Vs Gas
0.522874709
0.23238876
0.40668033
0.34858314
0.23238876
0.23238876
0.23238876
0.697166279
28.05934304
0.23238876
28.39695691
0
0.867033321
1.57666851
0.404862118
0.368356752
2.913367042
1.002208752
0.513522714
0.079720504
1.372966077
0.050347552
0
0.545909869
0.370596718
0.968632098
0.345305908
1.633149935
Vs Agua
2.694659501
2.217644747
2.792589682
2.640955853
1.961762661
1.968080737
1.983875928
2.552502786
0.104560467
1.86383248
0.011248685
1.698061951
0.046366646
0.001412143
0.016883986
0.002812171
0.019685199
0.002800152
0.011127
0.015380295
0.009842599
0.009776649
0.042209966
0.019670698
0.025340347
0.004208203
0.068765537
0.029525019
Segregado
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
123
Transicin
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Intermitente
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Distribuido
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.034557705
0.008947409
0.037195361
0.01559713
0.022438812
0.044849378
0.019509417
0.050736246
0.011887441
0.013733866
0.094161999
0.01147639
0.073070508
0.029815071
0.105713131
0.038895647
0.029365975
0.014959208
0.036466677
0.022473598
0.056774147
0.008739733
0.058757029
0.014301959
0.08039271
0.24935036
0.12100868
0.075512507
0.046905945
0.127395646
0.150260224
0.013328103
0.12792268
0.024711928
0.003654934
0.265544913
0.086073014
0.081448642
0.059443605
0.141242999
0.07340223
0.026058858
0.173377181
0.076160441
0.221910772
0.202271582
0.124557393
0.057894017
0.059543617
0.932814931
0.23784677
0.343708164
0.79094594
0.04905787
0.62366855
1.469482447
0.823242903
0.245079333
0.525936875
2.145769228
1.208634656
1.331941911
0.243745347
1.124863081
0.410818171
1.063986108
0.019623148
1.002208752
1.19531108
0
1.912497729
0.347434423
0.722639734
0.614622834
2.255436779
1.129749971
0.506660051
0.748409182
0.607293178
2.882796752
0.666692717
0.637764036
0.868330537
0
0.515526939
0.34858314
0.629344402
0.894661061
13.36044991
0.697395117
0.68604175
2.18694926
0
1.482139949
1.859110078
0.447823123
0.327711594
0.44534833
0.049148706
0
0.018235547
0.064645396
0.008418035
0.07025938
0.061535648
0.001400076
0.002808237
0.094336036
0.011255991
0.004226048
0.002802772
0.063152024
0.004208203
0.006954375
0.004194341
0.01683607
0.004200228
0.114048043
0.023918981
0.074624028
0.019709159
0.001412143
0.049097061
0.147607542
0.03616275
0.606781378
0.130009256
0.25748079
0.092674032
0.190036082
0.039149842
0.180411332
0.276845313
0.28985291
0.060021724
0.099163154
0.240109991
0.019697984
0.113849596
0.104641597
0.016849824
0.115373906
0.132384742
0.028431343
0.028053564
0.168814591
0.150548877
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
124
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.121922348
0.077726369
0.059929595
0.17438035
0.019509417
0.052252435
0.13508604
0.196520006
0.232548673
0.193711487
0.020832824
0.147492142
0.54182466
0.493397382
0.101381348
0.212343667
0.036858074
0.645547602
0.198223668
0.763235406
0.438311573
1.625473981
1.64415759
0.31847015
0.295998347
0.46723706
0.204373941
0.211937255
0.733391286
0.348568254
0.440328119
0.847819184
0.210878883
0.565789737
0.271129993
0.716205011
0.210643081
0.163538726
0.192478205
0.204163445
0.799186245
0.293941886
0.442774386
0.778483707
0.085260295
0.959091927
2.223349468
0.884357492
0.542310034
1.656313404
0.502232634
1.33874841
0.250780949
2.271018327
1.133267066
1.260429209
0.095586804
0.273105153
0.71748454
0.433499882
0.143672671
0.841907472
0.631803011
0.541173538
3.989584606
0.669954363
3.602025776
1.22437648
1.411703122
4.475241998
0.877733322
1.468859845
2.556276357
1.10919531
1.613374996
5.723857117
2.577634694
1.77234837
3.540116805
1.915882808
1.045749419
2.033401648
8.203828232
2.207693217
0.949385022
1.306532603
1.161943799
1.376531203
1.266650128
10.38800899
2.070634357
1.680598955
1.110601346
0.497726706
0.931472097
1.27181767
0.716516997
3.995333776
0.060438674
0.088328366
0.095744036
0.081355334
0.186005482
0.137743955
0.125204155
0.008426131
0.014043552
0.04194626
0.121952359
0.284217878
0.102395507
0.00317425
0.268418928
0
0.172415404
1.279410431
0.627085622
0.323875645
0.380402188
0.001402678
0.001402678
0.31590381
0.455669197
0.243958278
0.598085872
0.401334798
0.021063731
0.415365624
0.3014427
1.260456203
1.841719213
0.002800178
0.73289684
0.004208035
0.522802336
1.942808433
0.771035372
0.596994582
0.004212456
0.441937836
0.344906531
0.064523196
0.982868391
0.065925874
0.025248207
0.357682935
0.065495609
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
125
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.278334352
0.111894918
0.524750055
0.591099833
0.025821904
1.133472278
0.672609923
0.284837491
0.097886583
0.137716822
0.142020473
0.146324123
0.150627774
0.176449678
0.180753329
0.197967931
0.241004438
0.30468017
0.344292055
0.348679759
1.269741074
0.085654435
0.09725332
0.019386294
0.006417419
0.124070098
0.057078277
0.051860863
0.005482401
0.072730747
0.00469896
0.022155765
0.003426177
0.047005624
0.074390722
0.019876714
0.081613791
0.034557705
0.008947409
0.037195361
0.01559713
0.022438812
0.044849378
0.019509417
0.050736246
0.011887441
0.013733866
0.094161999
0.01147639
2.805375581
1.917207268
3.35609905
0.947704516
0.755263469
0.931472097
0.591126523
2.872170238
2.279970231
0.522874709
0.23238876
0.40668033
0.34858314
0.23238876
0.23238876
0.23238876
0.697166279
28.05934304
0.23238876
28.39695691
0
0.867033321
1.57666851
0.404862118
0.368356752
2.913367042
1.002208752
0.513522714
0.079720504
1.372966077
0.050347552
0
0.545909869
0.370596718
0.968632098
0.345305908
1.633149935
0.932814931
0.23784677
0.343708164
0.79094594
0.04905787
0.62366855
1.469482447
0.823242903
0.245079333
0.525936875
2.145769228
1.208634656
0.345438752
1.254138126
0.058557636
0.047613755
1.652176927
0.410984706
0.178140128
0.295091403
0.599790809
2.694659501
2.217644747
2.792589682
2.640955853
1.961762661
1.968080737
1.983875928
2.552502786
0.104560467
1.86383248
0.011248685
1.698061951
0.046366646
0.001412143
0.016883986
0.002812171
0.019685199
0.002800152
0.011127
0.015380295
0.009842599
0.009776649
0.042209966
0.019670698
0.025340347
0.004208203
0.068765537
0.029525019
0.049148706
0
0.018235547
0.064645396
0.008418035
0.07025938
0.061535648
0.001400076
0.002808237
0.094336036
0.011255991
0.004226048
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
126
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.073070508
0.029815071
0.105713131
0.038895647
0.029365975
0.014959208
0.036466677
0.022473598
0.056774147
0.008739733
0.058757029
0.014301959
0.08039271
0.24935036
0.12100868
0.075512507
0.046905945
0.127395646
1.331941911
0.243745347
1.124863081
0.410818171
1.063986108
0.019623148
1.002208752
1.19531108
0
1.912497729
0.347434423
0.722639734
0.614622834
2.255436779
1.129749971
0.506660051
0.748409182
0.607293178
0.002802772
0.063152024
0.004208203
0.006954375
0.004194341
0.01683607
0.004200228
0.114048043
0.023918981
0.074624028
0.019709159
0.001412143
0.049097061
0.147607542
0.03616275
0.606781378
0.130009256
0.25748079
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Transicin
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
Intermitente
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Distribuido
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Los datos de test de la red son los siguientes:

Vs Aceite
0.008739733
0.051688561
0.066452877
0.102281146
0.033790414
0.088094276
0.007491199
0.06851777
0.095932967
0.006342031
0.1113096
0.011098554
0.104817842
0.103024491
0.051512246
0.042905877
0.003426177
0.019496413
0.065807873
0.21118193
0.07925814
0.290200027
0.520778015
0.161944051
0.374278901
0.15059484
Vs Gas
0.717186648
0.402780417
2.924144397
1.917151466
0.243745347
0.874893507
2.199372388
0.437446754
1.734066642
0.03579317
0.467178582
0.536897546
2.846393087
0.245079333
0.802077816
0.492708909
0.610134559
0.208143668
0.277947539
0.203536284
1.540805161
1.381223633
0.58717608
1.426733092
0.840299477
0.526148474
Vs Agua
0.059136022
0.055866566
0.016729675
0.031990125
0.058941889
0.002805469
0.084480032
0
0.032316147
0.011200608
0.00842027
0.018200988
0.019685199
0
0.025274136
0.004236428
0.022480798
0.008432008
0.032379332
0.291218319
0.089865728
0.014033783
0.080048246
0.10266974
0.264989164
0.056081502
Segregado
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
127
0.125654665
0.102375097
0.15011535
0.191472344
0.077791294
0.071002084
0.042455613
0.238133856
0.07021436
0.139945086
0.248578107
0.258920727
1.046282103
1.064965712
0.479482828
0.584697485
0.657238486
0.162997622
0.435435584
0.154931425
0.048899287
0.37367218
0.148228254
0.137921065
0.084006467
0.559474589
0.081769363
0.261497015
2.70240608
1.988135691
3.373165977
0.428772128
0.239643933
1.391694984
0.050417168
0.839024763
0.933237573
0.410272441
1.155193828
1.830084759
0.859820397
0.877733322
4.98540331
2.770957296
5.9279226
5.412777926
4.033437491
0.929555039
1.05766925
0.304519724
0
1.182100926
0.311079191
0.813360659
2.091498838
1.570646159
0.042166517
0.071611752
0.056102048
0.042155628
0.198895124
0.115140464
0.16178065
0.122692189
0.104560467
0.197022702
0.168306145
0.257616415
0.234247255
0.343656153
0.002800178
0.023689901
0.58161533
0.589721035
0.250968573
1.434203298
1.293761513
0.681701593
0.764768234
0.687310804
0.906190715
1.023528345
1.525815403
0.521496438
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Comparacin de resultados
Compuerta AND
Tipo de RNA
PMC con algoritmo

Backpropagation
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
1000
0.39%
18.04%
0.02%
0.00%
0.32
2.63 segundos
0.25
0.00
128
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
segundos
segundos
segundos
--
--
PMC con algoritmo

Backpropagation
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Compuerta XOR
Tipo de RNA
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1000
12.92%
30.80%
1.13%
0.00%
0.22
Segundos
3.53 segundos
0.15
segundos
0.00
segundos
PMC con algoritmo

Backpropagation
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Sumador Binario
Tipo de RNA
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1000
4.93%
46.39%
0.82%
0.00%
0.28
segundos
3.62
segundos
0.18
segundos
0.00
segundos
16
16
Tipo de RNA
129
PMC con algoritmo

Backpropagation
Feed-Forward
Backpropagation
Base
Radial
195.30%
Radial
Basis
(Fewer
neurons)
-10.14%
Parmetro
Iteraciones
Error de test
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1.3%
1000
30.26%
0.34
segundos
4.53
segundos
0.15
segundos
0.00
segundos
Feed-Forward
Backpropagation
Base
Radial
0.00%
Radial
Basis
(Fewer
neurons)
-2.55%
Tipo de RNA
PMC con algoritmo

Backpropagation
Parmetro
Iteraciones
Error de test
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
0.01%
1000
20.98%
0.28
segundos
4.63
segundos
0.19
segundos
0.00
segundos
11
11
Feed-Forward
Backpropagation
Base
Radial
42.12%
Radial
Basis
(Fewer
neurons)
120
81.46%
3.88
segundos
1.97
segundos
Tipo de RNA
PMC con algoritmo

Backpropagation
Parmetro
Iteraciones
Error de test20
Tiempo de
ejecucin
durante el
1.9%
1000
47.74%
1.04
segundos
5.50
segundos
20
El clculo del porcentaje de error de test es en este caso, el porcentaje de los desaciertos
sobre el total de los registros evaluados.
130
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
135
135
Conclusiones
Las redes implementadas en Neuralyzer mostraron buenos resultados en

comparacin con las redes hechas en MATLAB en cuanto a tiempo de
entrenamiento y porcentajes de error.
Las redes de Neuralyzer demuestran su capacidad para afrontar las diferentes
problemticas propuestas actualmente para las redes de tipo
Clasificacin/Prediccin.
131
BIBLIOGRAFA
En orden de aparicin:
1. Miguel Garre et al. Comparacin de diferentes algoritmos de clustering en la
estimacin de coste en el desarrollo de software. Universidad de Alcal.
Madrid.
2. Mohaghegh S. Neural Network: What it can do for Petroleum Engineers,
paper SPE 29219. JPT (Enero/95).
3. Osman, E.A.: Artificial Neural Networks Models for Identifying Flow Regimes
and Predicting Liquid Holdup in Horizontal Multiphase Flow, paper SPE
68219, marzo 2001.
4. Lobo C. Eduardo A. Romero R. Yeison R. Determinacin del patrn de flujo
multifsico predominante del sistema de facilidades de superficie del campo
gala utilizando una aplicacin numrica desarrollada en el software Microsoft
Excel. Tesis de Grado. P14802.UIS.
5. Amaya A. Carlos, Pallares Henry. Influencia de los modificadores de tensin
superficial en los patrones de flujo en flujo bifsico gas-liquido en tubera
horizontal. Tesis de grado. P06796. 1996.UIS
6. Brill J. P. Arirachakaran S. J. State of the art in multiphase flow. Paper. SPE.
232835. Mayo de 1992.
7. Mohaghegh, S.D.: Virtual Intelligence Applications in Petroleum Engineering:
Part 1Artificial Neural Networks, paper SPE 58046,
8. Dukler, Wicks & Cleveland, A.I.Ch.E. Journal, 10, 44. 1974
9. Beggs H.D. and Brill, J.P.: A Study of Two Phase Pressure Drop In Inclined
Pipes JPT, May 1973 (Cap. 3).
10. Rueda L. Alexander, Garca J. Diego M. Estudio generalizado de las
aplicaciones de las redes neuronales en la industria del petrleo. Tesis de
Grado. P10110. UIS.
11. Miguel F. Prez I., Mike A. Rozo A., Roberto Ulloa J. Estudio de yacimientos
de petrleo usando redes neuronales artificiales. Universidad Industrial de
Santander. Facultad de Ingenieras Fsico-Qumicas. Escuela de Ingeniera de
Petrleos. Bucaramanga 2002.
12. Sandoval M. Jorge E. Aplicaciones de redes neuronales para predecir la
composicin de fluidos en yacimientos de gas condensado a partir de datos
de produccin. Tesis de Grado. YP09096. UIS. 1999.
13. Henry Guerrero R, Javier Medina C. Desarrollo de un Sistema de Diagnostico
por Computador del Flujo Multifsico en Tuberas Verticales. Universidad
Industrial de Santander. Bucaramanga 1990.
14. Ady Z. Alfaro G, Jos A. Camacho A. Evaluacin Crtica de Flujo Multifsico
utilizando Modelos Mecansticos. Universidad Industrial de Santander.
Facultad de Ingenieras Fsico-Qumicas. Escuela de Ingeniera de Petrleos.
Bucaramanga 2001.
15. Alcal C. Jaime R. Prediccin de patrones de flujo bifsicos gas-lquido
viscosos en tuberas horizontales y levemente inclinadas. Tesis de Grado. ST0128 Universidad Simn Bolvar. 1999.
16. Economides, J.M. and Hill, A.D: Petroleum Production Systems, Hall PTR
Prentice, New Jersey, 1994 (Cap. 7 y 10).
132
17. Bharath Rao. Multiphase flow models: Range of applicability. www.ctes.com.

1998.
18. A.M. Ribeiro, V. Ferreira, J.B.L.M. Campos. On the comparison of new
pressure drop and hold-up data for horizontal airwater flow in a square crosssection channel against existing correlations and models. International Journal
of Multiphase Flow 32 (2006) 10291036. 2006.
19. Rey-Fabret et al. Neural Networks Tools for Improving Tacite Hydrodynamic
Simulation of Multiphase Flow Behavior in Pipelines. Oil & Gas Science and
Technology Rev. IFP, Vol. 56 (2001), No. 5, pp. 471-478. 2001
20. Baker, O.: Design of Pipelines for the simultaneous Flow of Oil and Gas, Oil
and Gas J.1953.
21. Mandhane, J.M.: A Flow Pattern Map for Gas-Liquid Flow in Horizontal
Pipes, Int. J. Multiphase Flow, 1974.
22. Taitel, Y.: Advances in Two Phase Flow Modeling, paper SPE 27959, May
1995.
23. Baker, O., Oil and Gas Journal, 53(12), 185. 1954
24. Hughmark, G. A. And B.S. Pressburg, A.I.Ch.E. Journal, 7, 677, 1961
25. Lockhart, R. W. & R. C. Martinelli, Chem. Eng. Progress, 45, 39. 1949
26. http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html Revisado el 12 de
agosto del 2006.
27. http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.htm
Revisado el 12 de Agosto del 2006.
28. http://www.tecnociencia.org/n/205/redes-neuronales-artificiales/ Revisado el
20 de agosto del 2006.
29. http://www.gc.ssr.upm.es/inves/neural/ann2/concepts/taxonomy.htm Revisado
el 20 de agosto del 2006.
30. GRECH, Pablo, Introduccin a la Ingeniera. Un enfoque a travs del diseo.Editorial Prentice Hall, Bogot, 2001.
31. Dawson, Martn G. El proyecto de fin de carrera en ingeniera informtica: una
gua para el estudiante. Editorial Prentice Hall. Madrid. 2002.
133

Tesis Flujo Multifásico

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tesis Flujo Multifásico

Загружено:

Авторское право:

Доступные форматы

DETERMINACIN DEL PATRN DE FLUJO MULTIFSICO EN TUBERAS DE

RECOLECCIN DE PETRLEO EMULSIONADO, A PARTIR DE LOS DATOS

JORGE EDUARDO FLREZ SNCHEZ

UNIVERSIDAD INDUSTRIAL DE SANTANDER

DETERMINACIN DEL PATRN DE FLUJO MULTIFSICO EN TUBERAS DE

JORGE EDUARDO FLREZ SNCHEZ

Trabajo de grado presentado para optar el ttulo de

UNIVERSIDAD INDUSTRIAL DE SANTANDER

A Dios, a Viviana y Jorge, mis padres

A Dios, a mis padres, Carmen y Tito,

Los autores expresan sus agradecimientos a:

DEFINICIN DEL PROBLEMA

REDES NEURONALES ARTIFICIALES

Perceptrn Multicapa Con Algoritmo Backpropagation (PMC)

Redes De Funcin De Base Radial

Aplicaciones En La Industria Del Petrleo

PATRONES DE FLUJO MULTIFSICO

Patrones De Flujo Multifsico En Tubera Horizontal

MAPAS DE REGMENES DE FLUJO PARA TUBERAS HORIZONTALES 42

Correlacin De Govier & Omer:

Correlacin De Taitel & Dukler

Correlacin De Beggs & Brill

Holdup Del Lquido Sin Deslizamiento.

Holdup Del Lquido

Correlacin De Beggs & Brill

Correlacin De Lockhart & Martinelli Y Sus Modificaciones

Correlacin De Hughark & Pressburg

Correlacin De Lockhart & Martinelli

Correlacin De Dukler, Wicks & Cleveland

Mtodo De Beggs & Brill

NEURAL ANALYZER (NEURALYZER V1.0)

Diagrama De Casos De Uso

Adquisicin De Los Datos, Proceso De Normalizacin

Definir El Nmero Y El Rango De Entradas/Salidas

Prueba De Las Diferentes Arquitecturas

Prueba Para Cada Arquitectura Con Las Redes Sugeridas

Realizar Una Afinacin En Base A Los Resultados

Prueba De Las Diferentes Arquitecturas/Afinacin De Redes

ANEXO 1: MANUAL DE USUARIO

Exportar Datos A Excel

ANEXO 1. ANLISIS DE LOS ALGORITMOS IMPLEMENTADOS EN NEURALYZER

Figura 1. Modelo de neurona artificial

Figura 2. Clasificacin de las redes neuronales

Figura 3. Taxonoma de las redes neuronales

Figura 4. Funcin de activacin radial

Figura 5. Patrones de flujo segregado

Figura 6. Patrones de flujo intermitente

Figura 7. Patrones de flujo distribuido

Figura 8. Mapa de regmenes de flujo, Baker (1953) [4]

Figura 9. Mapa de patrones de flujo de Govier & Omer [5]

Figura 10. Mapa de regmenes de flujo Mandhane (1974) [5]

Figura 11. Mapa de rgimenes de flujo Taitel-Dukler (1976) [4]

Figura 12. Mapa del patrn de flujo Beggs & Brill[4]

Figura 14. Correlacin de holdup para mezclas Gas-Lquido [4]

Figura 15. Relaciones de Lockhart-Martinelli [5]

Figura 16. Funcin de Dukler, Wicks & Cleveland [5]

Figura 19. Diagrama de flujo para la consecucin de una arquitectura de red

Figura 20. Error en el entrenamiento y error durante la validacin

Figura 22. Arquitectura final PMC para determinar el patron de flujo

Figura 24. Diagrama del modelo realizado en HYSYS

Figura 25. Porcentajes de presencia de los patrones en Pozo1

Figura 26. Historial de produccin de Pozo1, y su relacin con el patrn de flujo

Figura 27. Grafico de Velocidades de Pozo1, y su relacin con el patrn de flujo